WorksheetsQuiz Geral - Módulo Agilidade e Transformação Digital
Total questions: 20
Worksheet time: 15mins
Um time Scrum está enfrentando dificuldades para estimar as histórias do backlog, pois diferentes membros têm opiniões divergentes sobre a complexidade das tarefas. Qual a melhor abordagem para resolver esse problema?
O Scrum Master deve decidir sozinho a estimativa das histórias para evitar discussões.
O Product Owner deve definir os pontos de complexidade com base na prioridade do backlog.
O time deve utilizar técnicas colaborativas como Planning Poker para alinhar percepções e chegar a um consenso.
As estimativas devem ser feitas individualmente por cada membro e depois somadas para obter um valor médio.
Durante uma Sprint Review, um stakeholder questiona se o time pode entregar um novo recurso crítico antes do final da Sprint. Como o time Scrum deve responder?
Aceitar a mudança e tentar encaixá-la na Sprint atual.
Rejeitar a solicitação, pois o escopo da Sprint não pode ser alterado.
Suspender a Sprint e iniciar uma nova para incluir a mudança.
Avaliar o impacto e, se necessário, priorizar o item no próximo Sprint Backlog.
Uma empresa quer reduzir o número de falhas em seu processo de atendimento ao cliente. O gerente decide aplicar Six Sigma. Qual é a abordagem correta?
Aplicar a metodologia DMAIC para analisar e reduzir variações no processo.
Mapear o processo e buscar melhorias incrementais sem métricas definidas.
Implementar automação para reduzir erros, sem análise dos dados.
Criar um time de especialistas para decidir as mudanças sem medir os resultados.
Uma startup de tecnologia quer melhorar seu fluxo de trabalho e eliminar desperdícios. Qual princípio do Lean deve ser priorizado?
Focar na padronização dos processos antes de otimizar o fluxo.
Criar um sistema puxado para evitar estoques excessivos e gargalos.
Reduzir custos a qualquer custo, sem avaliar impacto na qualidade.
Desenvolver múltiplas versões do produto simultaneamente para testar mercado.
Um CIO precisa alinhar a tecnologia aos objetivos estratégicos da empresa. Qual a melhor abordagem?
Priorizar projetos inovadores, mesmo que não estejam alinhados à estratégia.
Utilizar apenas indicadores financeiros para medir o sucesso da TI.
Criar um planejamento rígido de longo prazo, sem revisões frequentes.
Implementar iniciativas baseadas em OKRs definidos com as áreas de negócio.
Um gestor define a seguinte meta: “Aumentar a satisfação do cliente em 30% até o final do trimestre.” Esse OKR está bem formulado considerando que a empresa deverá observar a evolução deste objetivo ao longo do tempo?
Sim, pois tem um objetivo claro e mensurável.
Não, pois falta um conjunto de key results que indiquem a evolução e o progresso do objetivo.
Sim, pois objetivos estratégicos são o foco da implementação dos OKRs.
Não, pois metas não devem ter indicadores quantitativos.
Uma empresa tradicional deseja iniciar sua transformação digital. Qual a melhor abordagem para o sucesso dessa transformação?
Digitalizar e automatizar processos além de implementar soluções colaborativas.
Implementar tecnologia de entrega contínua e fornecer treinamento aos colaboradores.
Focar na atualização dos colaboradores e no desenvolvimento deles para adoção da mudança.
Integrar tecnologia, cultura e modelo de negócios para gerar valor.
Uma equipe de suporte usa Kanban, mas enfrenta gargalos no fluxo de trabalho. Qual a melhor solução?
Limitar o trabalho em progresso (WIP) para evitar sobrecarga.
Reduzir o número de tarefas simultâneas para assegurar a qualidade das entregas.
Aumentar o número de recursos humanos para garantir a resolução das tarefas.
Ignorar os gargalos, pois eles se resolvem naturalmente.
Uma empresa quer usar IA generativa para criar conteúdos. Qual o maior risco?
Baixa qualidade do conteúdo.
Viés e plágio em conteúdos gerados.
Dificuldade de treinar o modelo.
A IA não consegue criar textos coerentes.
Como uma empresa pode melhorar a personalização de produtos usando IA generativa?
Criando conteúdos aleatórios com análise de dados mais gerais.
Eliminando interação humana do processo.
Criando apenas um modelo fixo de recomendação.
Usando IA para analisar preferências e criar ofertas customizadas.
Uma empresa de varejo quer implementar um modelo de redes neurais para prever tendências de consumo. Qual a principal vantagem de usar redes neurais para essa análise?
São fáceis de interpretar e explicar para os stakeholders.
Eliminam totalmente a necessidade de dados históricos.
Conseguem identificar padrões complexos em grandes volumes de dados.
São mais rápidas e eficientes do que qualquer outro modelo estatístico tradicional.
Um analista de dados usa IA generativa para gerar relatórios automatizados, mas percebe que as respostas são genéricas e pouco relevantes. O que ele deve fazer?
Reformular os prompts, tornando-os mais específicos e contextuais.
Aumentar o número de prompts sem alterar seu formato.
Reduzir o número de palavras no prompt para evitar ruído.
Pedir à IA para gerar múltiplas respostas e escolher a melhor aleatoriamente.
Um gerente de atendimento ao cliente quer automatizar respostas com IA generativa. Qual é o maior risco ao usar prompts genéricos?
A IA pode gerar conteúdo genérico e prejudicar o trabalho.
O tempo de processamento da IA ser maior.
As respostas serem imprecisas e pouco úteis para os clientes.
A IA gerar respostas muito longas.
Uma empresa quer prever quais clientes têm maior probabilidade de cancelar seus serviços. Qual abordagem correta deve ser usada?
Usar regressão linear para prever cancelamentos futuros.
Aplicar regras de negócios fixas sem uso de aprendizado de máquina.
Implementar um chatbot para interagir com os clientes e evitar cancelamentos.
Criar um modelo de machine learning treinado com dados históricos de churn.
Uma empresa está enfrentando dificuldades na implementação de um modelo de Machine Learning. Qual é um dos principais desafios desse processo?
A necessidade de muitos desenvolvedores especializados.
A complexidade de criar um código sem erros.
A quantidade e qualidade dos dados disponíveis para o treinamento.
O custo elevado dos servidores para rodar o modelo.
Um PMO quer garantir que projetos ágeis tenham sucesso dentro da empresa. Qual abordagem é mais adequada?
Criar um planejamento fixo e detalhado no início do projeto.
Garantir ciclos curtos de entrega e coletar feedback contínuo dos clientes.
Medir o sucesso do projeto apenas pelo cumprimento de prazos.
Reduzir ao máximo o envolvimento dos stakeholders para evitar mudanças no projeto.
Um time de produto precisa criar um roadmap estratégico para os próximos 6 meses. O que ele deve considerar?
Definir prioridades alinhadas aos objetivos estratégicos da empresa e às necessidades dos clientes.
Priorizar tarefas com base na ordem de chegada das solicitações dos stakeholders.
Criar um documento e restringir mudanças depois da definição dos milestones do roadmap do produto.
Focar apenas em funcionalidades que a equipe já sabe desenvolver.
O Product Owner precisa definir quais itens do backlog do produto serão priorizados. Qual a abordagem correta?
Priorizar apenas as demandas dos stakeholders mais influentes.
Ordenar os itens pelo nível de esforço necessário para desenvolvê-los.
Incluir os itens no backlog e priorizá-los sempre que for necessário e/ou solicitado pelos stakeholders.
Classificar os itens com base no valor de negócio e impacto esperado.
Qual a principal diferença entre Machine Learning tradicional e Deep Learning?
Machine Learning precisa de intervenção humana para extrair padrões, enquanto Deep Learning aprende representações automaticamente.
Deep Learning não precisa de grandes quantidades de dados para funcionar bem, enquanto Machine Learning sim.
Machine Learning é sempre mais preciso do que Deep Learning para qualquer tipo de problema.
Deep Learning utiliza apenas algoritmos simples para resolver problemas básicos, enquanto Machine Learning é mais avançado.
Uma empresa implementou uma rede neural para analisar padrões de consumo dos clientes. No entanto, o modelo apresenta resultados inconsistentes quando aplicado a novos dados. Qual a melhor estratégia para melhorar sua precisão?
Coletar mais dados e garantir que o conjunto de treinamento seja diversificado e representativo.
Reduzir a quantidade de dados usados no treinamento para evitar confusão no modelo.
Ajustar manualmente as previsões para corrigir os erros do modelo sempre que necessário.
Substituir a rede neural por um modelo tradicional sem testar ajustes na abordagem atual.
