Atualidades e Inteligência Artificial para Concursos (Dataprev 2026)

Data: 13/08/2026

Banca: FGV | Cargo: Analista de Negócios de TI (Perfil 1)

Tópico no Edital: Atualidades e Inteligência Artificial (6q, Módulo I)

—

Sumário

1. O que cai em Atualidades e IA na FGV

2. Inteligência Artificial — Conceitos Fundamentais

3. Machine Learning

4. Dados e Big Data

5. Automação e IA

6. Aplicações de IA no Setor Público

7. Atualidades — O que acompanhar

8. Legislação sobre IA no Brasil

9. Questões Comentadas

10. Resumo para Revisão

—

1. O que cai em Atualidades e IA na FGV

A FGV cobra 6 questões de Atualidades e Inteligência Artificial no Módulo I. É um tópico relativamente novo (introduzido no edital do Dataprev 2026).

Temas mais frequentes:

• Conceitos de IA (Machine Learning, Deep Learning, NLP)
• Aplicações de IA no governo e setor público
• Regulamentação de IA no Brasil e no mundo
• Big Data, Automação, Internet das Coisas (IoT)
• Marco Civil da Internet e LGPD (relação com IA)
• Atualidades tecnológicas (6 meses anteriores à prova)

—

2. Inteligência Artificial — Conceitos Fundamentais

O que é IA?

IA é a simulação de processos de inteligência humana por sistemas computacionais. Inclui:

• Aprendizado (aquisição de conhecimento)
• Raciocínio (uso do conhecimento para chegar a conclusões)
• Autocorreção (aprender com erros)
• Percepção (interpretar o ambiente)

Subáreas da IA

Área	O que faz	Exemplo

——	———–	———

Machine Learning	Aprende padrões com dados	Recomendação Netflix

Deep Learning	Redes neurais profundas	Reconhecimento facial

NLP	Processamento de linguagem natural	ChatGPT, assistentes

Visão Computacional	Interpreta imagens	Diagnóstico por imagem

Robótica	Máquinas autônomas	Robôs industriais

Sistemas Especialistas	Regras pré-definidas	Diagnóstico médico

—

3. Machine Learning

Machine Learning é o ramo da IA que permite que sistemas aprendam com dados sem serem explicitamente programados.

Tipos de Aprendizado

Tipo	Descrição	Exemplo

——	———–	———

Supervisionado	Dados rotulados (treino com resposta certa)	Classificação de e-mails (spam ou não)

Não-supervisionado	Dados sem rótulos (o sistema encontra padrões)	Segmentação de clientes

Por Reforço	Aprende por tentativa e erro (recompensa)	Jogos (AlphaGo)

Conceitos-chave

• Feature: Característica usada para treinar o modelo
• Label: Resposta esperada (aprendizado supervisionado)
• Modelo: Saída do treinamento — a “fórmula” aprendida
• Overfitting: Modelo decorou os dados de treino, mas não generaliza
• Underfitting: Modelo não aprendeu o suficiente

—

4. Dados e Big Data

Big Data — 5 V’s

V	Significado	Exemplo

—	————-	———

Volume	Grande quantidade de dados	Petabytes de dados

Velocidade	Geração rápida de dados	Redes sociais em tempo real

Variedade	Diferentes formatos	Texto, imagem, vídeo, áudio

Veracidade	Qualidade e confiabilidade dos dados	Dados limpos vs sujos

Valor	Benefício extraído dos dados	Insights de negócio

Ciclo dos Dados

Coleta → Armazenamento → Processamento → Análise → Tomada de Decisão

—

5. Automação e IA

Automatização vs Automação

Automatização	Uso de máquinas para executar tarefas repetitivas

Automação	Sistema que se autorregula (feedback)

RPA	Robotic Process Automation — robôs de software

Impactos da Automação com IA

• Aumento de produtividade
• Redução de erros humanos
• Eliminação de tarefas repetitivas
• Novos modelos de trabalho (humano + IA)
• Desafios éticos e regulatórios

—

6. Aplicações de IA no Setor Público

Para a prova: A FGV pode perguntar como a IA é aplicada no governo.

Análise de dados gov	Identificar fraudes, padrões de gastos

Atendimento ao cidadão	Chatbots e assistentes virtuais

Previsão de demandas	Saúde, segurança, educação

Processamento de documentos	OCR, classificação automática

Detecção de fraudes	Licitações, benefícios sociais

—

7. Atualidades — O que acompanhar

Para a prova (Dataprev 2026): A FGV pode cobrar fatos dos últimos 6 meses.

Temas quentes:

• Regulamentação de IA no Brasil (PL 2338/2023)
• LGPD e proteção de dados
• Avanços do ChatGPT e IAs generativas
• Cibersegurança em órgãos públicos
• Transformação digital no governo
• Lei de Acesso à Informação
• Dados abertos governamentais

—

8. Legislação sobre IA no Brasil

• PL 2338/2023: Marco legal da IA no Brasil
• Lei Geral de Proteção de Dados (LGPD): Proteção de dados pessoais
• Marco Civil da Internet: Direitos e deveres na internet
• Estratégia Brasileira de IA (EBIA): Diretrizes governamentais

—

9. Questões Comentadas (estilo FGV)

Questão 1

> Machine Learning é um subcampo da Inteligência Artificial que:

> a) Executa tarefas baseadas em regras pré-definidas

> b) Aprende padrões a partir de dados sem ser explicitamente programado ✅

> c) Simula o comportamento humano em todas as áreas

> d) Substitui completamente o trabalho humano

> e) Armazena grandes volumes de dados

Comentário: Definição clássica: ML aprende com dados, sem programação explícita. Alternativa (a) é sistemas especialistas, pegadinha comum.

Questão 2

> No contexto de Big Data, o pilar “Veracidade” refere-se a:

> a) Grande volume de dados gerados

> b) Velocidade de processamento dos dados

> c) Confiabilidade e qualidade dos dados ✅

> d) Variedade de formatos de dados

> e) Valor econômico extraído dos dados

Comentário: Decore os 5 Vs. Veracidade = qualidade/confiabilidade. A FGV adora cobrar essa pegadinha.

—

10. Resumo para Revisão

IA	Simulação de inteligência humana por computadores

Machine Learning	Aprendizado com dados sem programação explícita

Deep Learning	Redes neurais com múltiplas camadas

NLP	Processamento de linguagem natural

Big Data	5 Vs: Volume, Velocidade, Variedade, Veracidade, Valor

Automação	Sistema que se autorregula com feedback

PL 2338/2023	Marco legal da IA no Brasil (em tramitação)

—

📌 Revisão programada: 24h → 7d → 30d

Próximo post: Raciocínio Lógico Matemático para Concursos