Em setores críticos como saúde e segurança, a interpretabilidade e explicabilidade dos modelos de redes neurais se tornaram requisitos fundamentais para garantir a confiabilidade e a adoção ética dessas soluções. Dado que modelos como as redes convolucionais e recorrentes operam com grande número de parâmetros interconectados, torna-se desafiador compreender quais fatores realmente influenciam suas decisões. Métodos como o SHAP e o LIME têm sido utilizados para proporcionar uma maior transparência, permitindo identificar a contribuição de cada variável de entrada na decisão final. Além disso, técnicas de visualização, como o Grad-CAM, têm se mostrado eficazes na interpretação de modelos aplicados à visão computacional, indicando as áreas da imagem mais relevantes para a classificação. Com base nessas abordagens, analise as alternativas a seguir sobre os avanços na explicabilidade dos modelos de redes neurais. Opções de resposta para questão 5 A) As visualizações de ativação, como o Grad-CAM, avaliam o impacto das palavras em modelos de PLN, fornecendo informações sobre quais termos influenciaram a previsão. B) O método LIME analisa a importância global das características em um modelo de aprendizado profundo, fornecendo uma visão abrangente de todas as decisões. C) O SHAP é um método específico para interpretação de modelos de visão computacional, aplicando mapas de calor em imagens para destacar áreas de interesse. D) As técnicas de explicabilidade não são aplicáveis a redes neurais profundas devido à complexidade de suas operações internas e à dependência de grandes volumes de dados. E) As redes baseadas em atenção, amplamente utilizadas em processamento de linguagem natural, atribuem pesos diferenciados aos elementos de entrada, permitindo entender quais partes do texto foram mais relevantes.