Resposta correta
- BReduzir o tamanho do modelo ou adicionar regularização de dropout.
Explicação
O aumento da perda de validação enquanto a perda de treinamento diminui é um sinal clássico de overfitting, em que o modelo memoriza os dados de treinamento, mas falha ao generalizar. Reduzir o tamanho do modelo ou adicionar regularização de dropout combate diretamente o overfitting ao limitar a capacidade do modelo ou introduzir ruído durante o treinamento, o que força o modelo a aprender recursos mais robustos. Esta é a melhor linha de ação porque aborda a causa raiz sem exacerbar ainda mais o problema.
Para se aprofundar
O padrão descrito — a perda de treinamento caindo enquanto a perda de validação aumenta — é a assinatura clássica do overfitting: o modelo está memorizando idiossincrasias do conjunto de treinamento em vez de aprender padrões generalizáveis. Internamente, isso acontece quando a contagem de parâmetros ou a capacidade efetiva excede o que o conjunto de dados pode restringir, de modo que o gradiente descendente continua reduzindo o risco empírico enquanto o risco real cresce. Adicionar regularização de dropout zera aleatoriamente as ativações durante cada passagem direta, forçando a rede a distribuir representações e reduzindo a co-adaptação; reduzir o tamanho do modelo diminui a capacidade diretamente. No Vertex AI, você ajustaria esses parâmetros por meio dos hiperparâmetros do pipeline de treinamento e monitoraria ambas as curvas de perda no Vertex AI Experiments ou TensorBoard. Um cenário realista: ajustar finamente um modelo base em alguns milhares de exemplos de domínio, onde a perplexidade de validação começa a subir após a segunda época — a parada antecipada combinada com a regularização restaura a generalização.
Sobre estas questões de prática
Esta é uma das questões de prática originais de Generative AI Leader da Courseiva, escrita para o aprendizado e nunca copiada de provas reais nem de dumps.
Traduzida do original em inglês com IA e conferida quanto ao sentido. Códigos de exame, comandos e nomes de produtos são mantidos como aparecem na prova.