Uma equipe de auditoria fiscal da SEFAZ Nacional precisa analisar um grande volume de documentos textuais (contratos, notas fiscais, petições) para identificar possíveis inconsistências e fraudes. Para agilizar o trabalho, a equipe decide utilizar um modelo de linguagem de grande porte (LLM) baseado na arquitetura Transformer. No entanto, o chefe da equipe alerta que o modelo pode gerar respostas plausíveis, mas factualmente incorretas, um fenômeno conhecido como 'alucinação'. Além disso, ele ressalta que o modelo não tem acesso a dados atualizados em tempo real e pode reproduzir vieses presentes nos dados de treinamento.

Considerando o funcionamento dos LLMs e as boas práticas para seu uso em um contexto fiscal, avalie as afirmativas a seguir:

• I. A arquitetura Transformer permite que o modelo processe sequências longas de texto, mas o mecanismo de atenção tem complexidade quadrática em relação ao comprimento da sequência, o que pode limitar o tamanho do contexto processado.
• II. A técnica de 'prompt engineering' (engenharia de prompt) pode reduzir alucinações ao fornecer contexto explícito e restrições ao modelo, mas não elimina completamente o risco de respostas incorretas.
• III. O ajuste fino (fine-tuning) com dados específicos do domínio fiscal é suficiente para garantir que o modelo não gere informações falsas, pois ele aprenderá a verdade factual do conjunto de treinamento.
• IV. A tokenização, que divide o texto em unidades menores (tokens), é um processo reversível e independente do modelo, garantindo que a mesma sequência de tokens seja sempre interpretada da mesma forma, independentemente do contexto.

Estão corretas apenas as afirmativas: