Why you should use Machine Learning Assessment Test?

The Teste de avaliação de aprendizado de máquina makes use of scenario-based questions to test for on-the-job skills as opposed to theoretical knowledge, ensuring that candidates who do well on this screening test have the relavant skills. The questions are designed to covered following on-the-job aspects: Implementando modelos de regressão linear para análise preditiva Aplicando o algoritmo de descida de gradiente para otimização do modelo Identificando e mitigando problemas de excesso de ajuste e subjacência em modelos de aprendizado de máquina Utilizando máquinas vetoriais de suporte para tarefas de classificação Compreendendo os conceitos de viés e variação nos modelos de aprendizado de máquina Realizando validação cruzada para avaliar o desempenho de modelos de aprendizado supervisionado Aplicando várias técnicas em aprendizado não supervisionado, como agrupamento Implementando métodos de redução de dimensionalidade para melhorar a eficiência do modelo Avaliando modelos de aprendizado de máquina usando métricas de avaliação apropriadas Utilizando técnicas de engenharia de recursos para aprimorar o desempenho do modelo

Machine Learning Assessment Test

Q: What topics are covered in the Machine Learning Assessment Test?

Regressão linear Gradiente descendente Excedente de ajuste e subjuste Máquinas vetoriais de suporte Preconceito e variação Validação cruzada Aprendizado supervisionado Aprendizado não supervisionado Clustering Redução de dimensionalidade Avaliação do modelo Engenharia de recursos

About the test:

O teste de avaliação de aprendizado de máquina pré-emprego avalia a compreensão de um candidato sobre os fundamentos do aprendizado de máquina, como engenharia de recursos, regressão, variação, probabilidade condicional, agrupamento, árvores de decisão, vizinhos mais próximos, ingênuos bayes, preconceito e excesso de ajuste. O teste também os avalia sobre sua capacidade de coletar e preparar o conjunto de dados, treinar um modelo, avaliar o modelo e melhorar iterativamente o desempenho do modelo.

Covered skills:

Regressão linear
Excedente de ajuste e subjuste
Preconceito e variação
Aprendizado supervisionado
Clustering
Avaliação do modelo

Gradiente descendente
Máquinas vetoriais de suporte
Validação cruzada
Aprendizado não supervisionado
Redução de dimensionalidade
Engenharia de recursos

Preview this test

Ver Scorecard de amostra

9 reasons why

Adaface Machine Learning Test is the most accurate way to shortlist Desenvolvedor de aprendizado de máquinas

Reason #1

Tests for on-the-job skills

The Machine Learning Assessment Test helps recruiters and hiring managers identify qualified candidates from a pool of resumes, and helps in taking objective hiring decisions. It reduces the administrative overhead of interviewing too many candidates and saves time by filtering out unqualified candidates at the first step of the hiring process.

The test screens for the following skills that hiring managers look for in candidates:

Capaz de implementar e entender algoritmos de regressão linear
Proficiente em algoritmos de otimização de descida de gradiente
Familiarizado com os conceitos de sobrepensação e subjacência em modelos de aprendizado de máquina
Capaz de aplicar máquinas vetoriais de suporte para tarefas de classificação
Capaz de reconhecer e gerenciar o viés e a variação nos modelos de aprendizado de máquina
Qualificado em técnicas de validação cruzada para avaliação do modelo
Experiente em algoritmos de aprendizado supervisionado
Algoritmos de aprendizagem não supervisionados
Competente na execução de tarefas de agrupamento
Capaz de aplicar técnicas de redução de dimensionalidade
Proficiente na avaliação de modelos de aprendizado de máquina
Qualificado em realizar engenharia de recursos para melhorar o desempenho do modelo

Reason #2

No trick questions

Traditional assessment tools use trick questions and puzzles for the screening, which creates a lot of frustration among candidates about having to go through irrelevant screening assessments.

View sample questions

The main reason we started Adaface is that traditional pre-employment assessment platforms are not a fair way for companies to evaluate candidates. At Adaface, our mission is to help companies find great candidates by assessing on-the-job skills required for a role.

Why we started Adaface

Preview this test

Ver Scorecard de amostra

Reason #3

Non-googleable questions

We have a very high focus on the quality of questions that test for on-the-job skills. Every question is non-googleable and we have a very high bar for the level of subject matter experts we onboard to create these questions. We have crawlers to check if any of the questions are leaked online. If/ when a question gets leaked, we get an alert. We change the question for you & let you know.

How we design questions

Estes são apenas uma pequena amostra da nossa biblioteca de mais de 10.000 perguntas. As perguntas reais sobre isso Teste de avaliação de aprendizado de máquina será não-googleable.

🧐 Question
Easy Gradient descent optimization Gradient Descent	Solve
You are working on a regression problem using a simple neural network. You want to optimize the model's weights using gradient descent with different learning rate schedules. Consider the following pseudo code for training the neural network: Which of the following learning rate schedules would most likely result in the fastest convergence without overshooting the optimal weights? A: Constant learning rate of 0.01 B: Exponential decay with initial learning rate of 0.1 and decay rate of 0.99 C: Exponential decay with initial learning rate of 0.01 and decay rate of 0.99 D: Step decay with initial learning rate of 0.1 and decay rate of 0.5 every 100 epochs E: Step decay with initial learning rate of 0.01 and decay rate of 0.5 every 100 epochs F: Constant learning rate of 0.1
Medium Less complex decision tree model Model Complexity Overfitting	Solve
You are given a dataset to solve a classification problem using a decision tree algorithm. You are concerned about overfitting and decide to implement pruning to control the model's complexity. Consider the following pseudo code for creating the decision tree model: Which of the following combinations of parameters would result in a less complex decision tree model, reducing the risk of overfitting? A: max_depth=5, min_samples_split=2, min_samples_leaf=1 B: max_depth=None, min_samples_split=5, min_samples_leaf=5 C: max_depth=3, min_samples_split=2, min_samples_leaf=1 D: max_depth=None, min_samples_split=2, min_samples_leaf=1 E: max_depth=3, min_samples_split=10, min_samples_leaf=10 F; max_depth=5, min_samples_split=5, min_samples_leaf=5
Easy n-gram generator	Solve
Our newest machine learning developer want to write a function to calculate the n-gram of any text. An N-gram means a sequence of N words. So for example, "black cats" is a 2-gram, "saw black cats" is a 3-gram etc. The 2-gram of the sentence "the big bad wolf fell down" would be [["the", "big"], ["big", "bad"], ["bad", "wolf"], ["wolf", "fell"], ["fell", "down"]]. Can you help them select the correct function for the same?
Easy Recommendation System Selection Recommender Systems Collaborative Filtering Content-Based Filtering	Solve
You are tasked with building a recommendation system for a newly launched e-commerce website. Given that the website is new, there is not much user interaction data available. Also, the items in the catalog have rich descriptions. Based on these requirements, which type of recommendation system approach would be the most suitable for this task?
Easy Sensitivity and Specificity Confusion Matrix Model Evaluation	Solve
You have trained a supervised learning model to classify customer reviews as either "positive" or "negative" based on a dataset with 10,000 samples and 35 features, including the review text, reviewer's name, and rating. The dataset is split into a 7,000-sample training set and a 3,000-sample test set. After training the model, you evaluate its performance using a confusion matrix on the test set, which shows the following results: Based on the confusion matrix, what are the sensitivity and specificity of the model?

	🧐 Question	🔧 Skill
	Easy Gradient descent optimization Gradient Descent	2 mins Machine Learning	Solve
You are working on a regression problem using a simple neural network. You want to optimize the model's weights using gradient descent with different learning rate schedules. Consider the following pseudo code for training the neural network: Which of the following learning rate schedules would most likely result in the fastest convergence without overshooting the optimal weights? A: Constant learning rate of 0.01 B: Exponential decay with initial learning rate of 0.1 and decay rate of 0.99 C: Exponential decay with initial learning rate of 0.01 and decay rate of 0.99 D: Step decay with initial learning rate of 0.1 and decay rate of 0.5 every 100 epochs E: Step decay with initial learning rate of 0.01 and decay rate of 0.5 every 100 epochs F: Constant learning rate of 0.1
	Medium Less complex decision tree model Model Complexity Overfitting	2 mins Machine Learning	Solve
You are given a dataset to solve a classification problem using a decision tree algorithm. You are concerned about overfitting and decide to implement pruning to control the model's complexity. Consider the following pseudo code for creating the decision tree model: Which of the following combinations of parameters would result in a less complex decision tree model, reducing the risk of overfitting? A: max_depth=5, min_samples_split=2, min_samples_leaf=1 B: max_depth=None, min_samples_split=5, min_samples_leaf=5 C: max_depth=3, min_samples_split=2, min_samples_leaf=1 D: max_depth=None, min_samples_split=2, min_samples_leaf=1 E: max_depth=3, min_samples_split=10, min_samples_leaf=10 F; max_depth=5, min_samples_split=5, min_samples_leaf=5
	Easy n-gram generator	2 mins Machine Learning	Solve
Our newest machine learning developer want to write a function to calculate the n-gram of any text. An N-gram means a sequence of N words. So for example, "black cats" is a 2-gram, "saw black cats" is a 3-gram etc. The 2-gram of the sentence "the big bad wolf fell down" would be [["the", "big"], ["big", "bad"], ["bad", "wolf"], ["wolf", "fell"], ["fell", "down"]]. Can you help them select the correct function for the same?
	Easy Recommendation System Selection Recommender Systems Collaborative Filtering Content-Based Filtering	2 mins Machine Learning	Solve
You are tasked with building a recommendation system for a newly launched e-commerce website. Given that the website is new, there is not much user interaction data available. Also, the items in the catalog have rich descriptions. Based on these requirements, which type of recommendation system approach would be the most suitable for this task?
	Easy Sensitivity and Specificity Confusion Matrix Model Evaluation	2 mins Machine Learning	Solve
You have trained a supervised learning model to classify customer reviews as either "positive" or "negative" based on a dataset with 10,000 samples and 35 features, including the review text, reviewer's name, and rating. The dataset is split into a 7,000-sample training set and a 3,000-sample test set. After training the model, you evaluate its performance using a confusion matrix on the test set, which shows the following results: Based on the confusion matrix, what are the sensitivity and specificity of the model?

	🧐 Question	🔧 Skill	💪 Difficulty	⌛ Time
	Gradient descent optimization Gradient Descent	Machine Learning	Easy	2 mins	Solve
You are working on a regression problem using a simple neural network. You want to optimize the model's weights using gradient descent with different learning rate schedules. Consider the following pseudo code for training the neural network: Which of the following learning rate schedules would most likely result in the fastest convergence without overshooting the optimal weights? A: Constant learning rate of 0.01 B: Exponential decay with initial learning rate of 0.1 and decay rate of 0.99 C: Exponential decay with initial learning rate of 0.01 and decay rate of 0.99 D: Step decay with initial learning rate of 0.1 and decay rate of 0.5 every 100 epochs E: Step decay with initial learning rate of 0.01 and decay rate of 0.5 every 100 epochs F: Constant learning rate of 0.1
	Less complex decision tree model Model Complexity Overfitting	Machine Learning	Medium	2 mins	Solve
You are given a dataset to solve a classification problem using a decision tree algorithm. You are concerned about overfitting and decide to implement pruning to control the model's complexity. Consider the following pseudo code for creating the decision tree model: Which of the following combinations of parameters would result in a less complex decision tree model, reducing the risk of overfitting? A: max_depth=5, min_samples_split=2, min_samples_leaf=1 B: max_depth=None, min_samples_split=5, min_samples_leaf=5 C: max_depth=3, min_samples_split=2, min_samples_leaf=1 D: max_depth=None, min_samples_split=2, min_samples_leaf=1 E: max_depth=3, min_samples_split=10, min_samples_leaf=10 F; max_depth=5, min_samples_split=5, min_samples_leaf=5
	n-gram generator	Machine Learning	Easy	2 mins	Solve
Our newest machine learning developer want to write a function to calculate the n-gram of any text. An N-gram means a sequence of N words. So for example, "black cats" is a 2-gram, "saw black cats" is a 3-gram etc. The 2-gram of the sentence "the big bad wolf fell down" would be [["the", "big"], ["big", "bad"], ["bad", "wolf"], ["wolf", "fell"], ["fell", "down"]]. Can you help them select the correct function for the same?
	Recommendation System Selection Recommender Systems Collaborative Filtering Content-Based Filtering	Machine Learning	Easy	2 mins	Solve
You are tasked with building a recommendation system for a newly launched e-commerce website. Given that the website is new, there is not much user interaction data available. Also, the items in the catalog have rich descriptions. Based on these requirements, which type of recommendation system approach would be the most suitable for this task?
	Sensitivity and Specificity Confusion Matrix Model Evaluation	Machine Learning	Easy	2 mins	Solve
You have trained a supervised learning model to classify customer reviews as either "positive" or "negative" based on a dataset with 10,000 samples and 35 features, including the review text, reviewer's name, and rating. The dataset is split into a 7,000-sample training set and a 3,000-sample test set. After training the model, you evaluate its performance using a confusion matrix on the test set, which shows the following results: Based on the confusion matrix, what are the sensitivity and specificity of the model?

Reason #4

1200+ customers in 75 countries

Com o Adaface, conseguimos otimizar nosso processo de seleção inicial em mais de 75%, liberando um tempo precioso tanto para os gerentes de contratação quanto para nossa equipe de aquisição de talentos!

Brandon Lee, Chefe de Pessoas, Love, Bonito

Preview this test

Ver Scorecard de amostra

Reason #5

Designed for elimination, not selection

The most important thing while implementing the pre-employment Teste de avaliação de aprendizado de máquina in your hiring process is that it is an elimination tool, not a selection tool. In other words: you want to use the test to eliminate the candidates who do poorly on the test, not to select the candidates who come out at the top. While they are super valuable, pre-employment tests do not paint the entire picture of a candidate’s abilities, knowledge, and motivations. Multiple easy questions are more predictive of a candidate's ability than fewer hard questions. Harder questions are often "trick" based questions, which do not provide any meaningful signal about the candidate's skillset.

Science behind Adaface tests

Reason #6

1 click candidate invites

Email invites: You can send candidates an email invite to the Teste de avaliação de aprendizado de máquina from your dashboard by entering their email address.

Public link: You can create a public link for each test that you can share with candidates.

API or integrations: You can invite candidates directly from your ATS by using our pre-built integrations with popular ATS systems or building a custom integration with your in-house ATS.

Reason #7

Detailed scorecards & benchmarks

Ver Scorecard de amostra

Preview this test

Ver Scorecard de amostra

Reason #8

High completion rate

Adaface tests are conversational, low-stress, and take just 25-40 mins to complete.

This is why Adaface has the highest test-completion rate (86%), which is more than 2x better than traditional assessments.

Reason #9

Advanced Proctoring

Learn more

Preview this test

Ver Scorecard de amostra

About the Machine Learning Online Test

Why you should use Pre-employment Machine Learning Assessment Test?

The Teste de avaliação de aprendizado de máquina makes use of scenario-based questions to test for on-the-job skills as opposed to theoretical knowledge, ensuring that candidates who do well on this screening test have the relavant skills. The questions are designed to covered following on-the-job aspects:

Implementando modelos de regressão linear para análise preditiva
Aplicando o algoritmo de descida de gradiente para otimização do modelo
Identificando e mitigando problemas de excesso de ajuste e subjacência em modelos de aprendizado de máquina
Utilizando máquinas vetoriais de suporte para tarefas de classificação
Compreendendo os conceitos de viés e variação nos modelos de aprendizado de máquina
Realizando validação cruzada para avaliar o desempenho de modelos de aprendizado supervisionado
Aplicando várias técnicas em aprendizado não supervisionado, como agrupamento
Implementando métodos de redução de dimensionalidade para melhorar a eficiência do modelo
Avaliando modelos de aprendizado de máquina usando métricas de avaliação apropriadas
Utilizando técnicas de engenharia de recursos para aprimorar o desempenho do modelo

Once the test is sent to a candidate, the candidate receives a link in email to take the test. For each candidate, you will receive a detailed report with skills breakdown and benchmarks to shortlist the top candidates from your pool.

What topics are covered in the Machine Learning Assessment Test?

validação cruzada
Validação cruzada é Uma técnica usada para avaliar os recursos de desempenho e generalização dos modelos de aprendizado de máquina. Envolve dividir os dados em vários subconjuntos para treinamento e teste, permitindo uma avaliação mais robusta do desempenho de um modelo. Avaliar o conhecimento de validação cruzada de um candidato ajuda a determinar sua experiência em avaliação de modelos e sua capacidade de evitar estimativas de desempenho super-otimistas. Um modelo aprende com dados rotulados para fazer previsões ou classificações. Envolve ter uma variável de destino clara que o modelo visa prever. Avaliar essa habilidade ajuda a avaliar o entendimento de um candidato sobre os algoritmos de aprendizado supervisionado e sua capacidade de aplicá -los a várias tarefas de previsão. A partir de dados não marcados para encontrar padrões ou estruturas sem variáveis de destino específicas. Essa habilidade mede a familiaridade de um candidato com algoritmos de aprendizado não supervisionado, como redução de agrupamento e dimensionalidade, e sua capacidade de extrair insights significativos de dados não estruturados. que agrupa pontos de dados semelhantes com base em suas características ou semelhanças. Ajuda a identificar estruturas ou categorias naturais dentro dos dados. Avaliar o conhecimento de um candidato sobre algoritmos de agrupamento significa sua proficiência em explorar padrões dentro dos dados e sua capacidade de segmentar conjuntos de dados em clusters significativos para análise posterior.
redução da dimensionalidade
A redução da dimensionalidade é o processo de reduzindo o número de variáveis/recursos de entrada em modelos de aprendizado de máquina. Ajuda a simplificar conjuntos de dados complexos, removendo recursos redundantes ou irrelevantes, mantendo as informações essenciais. A avaliação dessa habilidade permite que os recrutadores avaliem o entendimento de um candidato sobre as técnicas de seleção de recursos e sua capacidade de melhorar o desempenho e a interpretabilidade do modelo.
Avaliação do modelo
Avaliação do modelo é o processo de avaliação do desempenho e Qualidade dos modelos de aprendizado de máquina. Envolve o uso de várias métricas e técnicas para medir o quão bem um modelo generaliza para dados invisíveis. A avaliação dessa habilidade ajuda os recrutadores a determinar a proficiência de um candidato na avaliação e comparação de modelos diferentes e sua capacidade de selecionar o mais apropriado para uma determinada tarefa.
Engenharia de recursos
Engenharia de recursos é o processo de criar novos recursos ou transformar os existentes para melhorar o desempenho dos modelos de aprendizado de máquina. Envolve a seleção, criação ou modificação de variáveis para representar melhor os padrões subjacentes nos dados. A medição dessa habilidade permite que os recrutadores avaliem a experiência de um candidato em aprimorar o poder preditivo dos modelos por meio de técnicas de engenharia de recursos perspicazes.
Full list of covered topics
The actual topics of the questions in the final test will depend on your job description and requirements. However, here's a list of topics you can expect the questions for Teste de avaliação de aprendizado de máquina to be based on.
Regressão linear
Mínimos quadrados comuns
Gradiente descendente
Descendência de gradiente estocástico
Descendência de gradiente em lote
Regressão de cume
Regressão de Lasso
Regressão polinomial
Regularização
Sobreajuste
Underfitting
Máquinas vetoriais de suporte
Truques do kernel
Hiperplano
Margem suave
Margem dura
Viés
Variação
Validação cruzada
Validação cruzada-dobrada em K.
Validação cruzada de deixar uma saída
Método de espera
Aprendizado supervisionado
Classificação
Regressão
Árvores de decisão
Florestas aleatórias
Baías ingénuas
Vizinhos mais antigos
Redes neurais
Aprendizado não supervisionado
Clustering
K-means
Hierárquico
Dbscan
Redução de dimensionalidade
PCA (análise de componentes principais)
LDA (análise discriminante linear)
T-SNE (incorporação estocástica de distribuição T)
Avaliação do modelo
Precisão
Precisão
Lembrar
Pontuação F1
Curva ROC
AUC (área sob a curva)
Matriz de confusão
Engenharia de recursos
Transformação de dados
Escala de recursos
Variáveis fictícias
Interações variáveis
Lidar com dados ausentes
Detecção Outlier

Preview this test

Ver Scorecard de amostra

What roles can I use the Machine Learning Assessment Test for?

Desenvolvedor de aprendizado de máquina
Engenheiro de aprendizado de máquina
Cientista de dados
Analista de informações
Engenheiro de Inteligência Artificial
Engenheiro de dados
Analista de negócios
Pesquisa científica
Analista estatístico
Especialista em mineração de dados

How is the Machine Learning Assessment Test customized for senior candidates?

For intermediate/ experienced candidates, we customize the assessment questions to include advanced topics and increase the difficulty level of the questions. This might include adding questions on topics like

Implementando árvores de decisão e florestas aleatórias para tarefas de classificação
Aplicando métodos de conjunto, como ensacamento e aumento, para melhorar o desempenho do modelo
Compreendendo os conceitos e aplicações das redes neurais
Implementando modelos de aprendizado profundo para tarefas complexas
Utilizando técnicas de processamento de linguagem natural para classificação de texto e análise de sentimentos
Aplicando sistemas de recomendação para recomendações personalizadas
Compreendendo os conceitos e aplicações do aprendizado de reforço
Implementando análise de séries temporais para prever tendências futuras
Utilizando técnicas de detecção de anomalia para identificar padrões incomuns em dados
Aplicando o aprendizado de transferência para alavancar o conhecimento de modelos pré-treinados

Preview this test

Ver Scorecard de amostra

Os gerentes de contratação sentiram que, por meio das perguntas técnicas feitas durante as entrevistas do painel, foram capazes de dizer quais candidatos tiveram melhores pontuações e diferenciaram aqueles que não tiveram pontuações tão boas. Eles são altamente satisfeito com a qualidade dos candidatos selecionados na triagem Adaface.

85%

Redução no tempo de triagem

Veja o estudo de caso completo

Machine Learning Hiring Test Perguntas frequentes

Que tipo de perguntas o teste de aprendizado de máquina inclui?

Este teste de aprendizado de máquina pré-emprego é composto por perguntas baseadas em cenários que exigem que os candidatos demonstrem sua capacidade de:

Prepare dados para algoritmos de aprendizado de máquina
Use algoritmos ML, como regressão logística, máquinas vetoriais de suporte, árvores de decisão e florestas aleatórias para classificação
Construir algoritmos de agrupamento
propor o algoritmo mais apropriado para um caso de uso específico
Estime desempenho dos algoritmos de aprendizagem

Este teste ou avaliação pode ser usado para funções sênior de engenheiros de aprendizado de máquina?

Para engenheiros sênior de aprendizado de máquina, você pode solicitar um teste personalizado. Dentro de 48 horas, nossos especialistas no assunto personalizarão a avaliação de acordo com a descrição do seu trabalho e o nível de antiguidade. Um teste típico para funções seniores, além dos fundamentos, o teste se concentrará em testar a capacidade de um candidato de:

Estrutura ML Projects
Identificar deficiências de vários algoritmos de aprendizado de máquina
Projete um processo de limpeza e rotulagem de dados
Selecione métricas de avaliação adequadas para melhorar o desempenho do modelo
Avalie o impacto do desempenho do hardware nos algoritmos de aprendizado de máquina

Posso combinar várias habilidades em uma avaliação personalizada?

Sim absolutamente. As avaliações personalizadas são configuradas com base na descrição do seu trabalho e incluirão perguntas sobre todas as habilidades obrigatórias que você especificar.

Você tem algum recurso anti-trapaça ou procurador?

Temos os seguintes recursos anti-trapaça:

Perguntas não-goleadas
IP Proctoring
Web Proctoring
Proctoring da webcam
Detecção de plágio
navegador seguro

Leia mais sobre os Recursos de Proctoring.

Como interpreto as pontuações dos testes?

O principal a ter em mente é que uma avaliação é uma ferramenta de eliminação, não uma ferramenta de seleção. Uma avaliação de habilidades é otimizada para ajudá -lo a eliminar os candidatos que não são tecnicamente qualificados para o papel, não é otimizado para ajudá -lo a encontrar o melhor candidato para o papel. Portanto, a maneira ideal de usar uma avaliação é decidir uma pontuação limite (normalmente 55%, ajudamos você a comparar) e convidar todos os candidatos que pontuam acima do limiar para as próximas rodadas da entrevista.

Para que nível de experiência posso usar este teste?

Cada avaliação do Adaface é personalizada para a descrição do seu trabalho/ persona do candidato ideal (nossos especialistas no assunto escolherão as perguntas certas para sua avaliação de nossa biblioteca de mais de 10000 perguntas). Esta avaliação pode ser personalizada para qualquer nível de experiência.

Todo candidato recebe as mesmas perguntas?

Sim, facilita muito a comparação de candidatos. As opções para perguntas do MCQ e a ordem das perguntas são randomizadas. Recursos anti-traking/proctoring no local. Em nosso plano corporativo, também temos a opção de criar várias versões da mesma avaliação com questões de níveis de dificuldade semelhantes.