<!DOCTYPE html>
<html lang="pt-BR">
<head>
 <meta charset="UTF-8">
 <style>
 body {
 font-size: 16px;
 line-height: 1.5;
 }
 .blue {
 color: blue;
 }
 math {
 font-size: 16px;
 }
 </style>
</head>
<body>
A compreensão do conceito de data lake é essencial para validar a afirmativa da questão. É crucial diferenciar primeiramente data lake de data warehouse para entender melhor o contexto de armazenamento e processamento de dados em ambientes de Big Data. 

Um data lake é uma arquitetura de armazenamento que permite guardar grandes volumes de dados em seu formato original, abrangendo desde documentos, imagens, áudios até dados obtidos por sensores. Este modelo é especialmente valioso em cenários de Big Data, onde a velocidade, variedade e volume dos dados coletados podem ser enormes. 

O principal diferencial do data lake para outras formas de armazenamento de dados, como o data warehouse, é que no data lake, os dados são armazenados sem a necessidade preliminar de estruturação ou análise. Isso contrasta com o data warehouse, onde os dados são armazenados após serem organizados e processados, usualmente em esquemas definidos. 

Esta característica de armazenar dados "como coletados" confere ao data lake flexibilidade em termos de manuseio e processamento de dados. Isso permite que diferentes tipos de análises e aplicações possam ser executadas, desde análises descritivas e diagnósticas até machine learning e IA, sem a necessidade de refazer o processo de transformação de dados que já tenham sido armazenados. 

<ul>
<li>C) Certo:
 A alternativa está correta porque reflete acuradamente uma das principais características dos data lakes: a capacidade de armazenar grandes volumes de dados em seu estado bruto, sem necessidade de estruturação ou processamento prévio. Isso proporciona uma grande flexibilidade e escalabilidade, características essenciais para ambientes de Big Data.
</li> 
<li>E) Errado:
 Esta alternativa seria incorreta, pois negaria uma das funções fundamentais do data lake, que é justamente sua habilidade de armazenamento de dados não estruturados de forma nativa.
</li> 
</ul> 

Portanto, a alternativa correta é C. 

</body>
</html>

Em um data lake, os dados são armazenados como foram coletados, sem a necessidade de análise prévia para estruturação.

Acerca de Big Data, julgue o próximo item.

<!DOCTYPE html>
<html lang="pt-BR">
<head>
 <meta charset="UTF-8">
 <style>
 body {
 font-size: 16px;
 line-height: 1.5;
 }
 .blue {
 color: blue;
 }
 math {
 font-size: 16px;
 }
 </style>
</head>
<body>
 O Apache Hadoop é uma estrutura que permite o processamento distribuído de grandes conjuntos de dados em clusters de computadores. Uma de suas subcomponentes é o Apache Hive, que facilita a leitura, escrita e gerenciamento de grandes datasets utilizando SQL.
 
 
 Hive permite que os usuários consultem dados usando uma linguagem chamada HiveQL, que é uma forma de SQL adaptada para este ambiente. Esta linguagem foi projetada para permitir que usuários de SQL pudessem realizar consultas em Big Data sem a necessidade de conhecer em profundidade outras tecnologias mais complexas, como o MapReduce.
 

 MapReduce é um modelo de programação para processar e gerar grandes datasets com um modelo distribuído em um cluster. No entanto, é uma abordagem que exige mais conhecimento nas áreas de programação e design de algoritmos. HiveQL abstrai as complexidades do MapReduce, permitindo que os usuários se concentrem mais nas questões de análise de dados do que na programação de baixo nível.
 

 Portanto, quando se trabalha com Hive no Hadoop, o principal ponto de interação para a maioria dos usuários é a HiveQL, e não diretamente o MapReduce. Hive é projetado para converter consultas HiveQL em trabalhos de MapReduce automaticamente, significando que o usuário precisa dominar apenas a SQL adaptada para Hive, sem necessidade de compreender os detalhes íntimos do MapReduce.
 

 Analisando o enunciado da questão, que afirma que é necessário o conhecimento de MapReduce para escrever consultas em SQL no Hive, pode-se entender que isso poderia míssinformar sobre a real necessidade operacional do Hive. O conhecimento de MapReduce pode ser benéfico em um contexto mais amplo de trabalho com Hadoop, mas não é um requisito para realizar consultas no Hive usando SQL.
 

 <ul>
 <li>C) Certo:
 Incorreto, porque sugere erroneamente que o conhecimento de MapReduce é necessário para escrever consultas em SQL no Hive.
 </li>
 
 <li>E) Errado:
 Correto, já que o Hive foi especificamente projetado para simplificar o trabalho com Big Data por meio de consultas SQL, sem exigir conhecimento direto de MapReduce.
 </li>
 
 </ul>
 

 Portanto, a alternativa correta é E.
 

</body>
</html>

No Hive do Apache Hadoop, as consultas são escritas em SQL; para tal, é necessário o conhecimento do MapReduce.


<!DOCTYPE html>
<html lang="pt-BR">
<head>
 <meta charset="UTF-8">
 <style>
 body {
 font-size: 16px;
 line-height: 1.5;
 }
 .blue {
 color: blue;
 }
 math {
 font-size: 16px;
 }
 </style>
</head>
<body>
 Para responder corretamente à questão, é crucial entender as diferenças fundamentais entre as arquiteturas Lambda e Kappa no contexto de Big Data. Ambas são projetadas para processar grandes volumes de dados mas de maneiras distintas, principalmente no que diz respeito ao processamento em tempo real e em lote.
 
 
 A arquitetura Lambda é baseada em três camadas principais:
 <ul>
 <li>Camada de Batch: essa camada é responsável pelo processamento de grandes volumes de dados acumulados (histórico) de forma abrangente e intensiva. Ela garante a precisão dos resultados, mas não é capaz de entregar dados em tempo real.</li>
 <li>Camada de Speed/Stream: foca no processamento de dados em tempo real, garantindo respostas rápidas, porém com menor precisão quando comparada ao processamento batch.</li>
 <li>Camada de Serving Layer: que serve para visualizar os resultados obtidos pelas camadas anteriores e permitir consultas aos dados processados.</li>
 </ul>
 
 
 Por outro lado, a arquitetura Kappa foi desenvolvida como uma simplificação da arquitetura Lambda. Ela utiliza apenas uma camada de processamento de streams para lidar tanto com o processamento em tempo real quanto com históricos de dados. A ideia é usar o mesmo conjunto de ferramentas e processos para todos os tipos de dados, seja em tempo real ou não.
 
 
 O principal diferencial apontado pela questão é a existência da camada batch na arquitetura Lambda, que não está presente na arquitetura Kappa. Na Kappa, todos os dados são processados de modo similar, independentemente de serem recentes ou parte de um lote maior de dados históricos. A existência dessa camada no Lambda permite uma análise profunda e abrangente do histórico dos dados, uma funcionalidade que a Kappa não oferece diretamente.
 
 
 Analisando a afirmativa na questão:
 <ul>
 <li>A arquitetura Lambda difere da arquitetura Kappa devido à existência da camada batch, que permite acesso ao histórico dos dados processados: Certo.
 Esta afirmação é correta. A arquitetura Lambda é diferenciada pela presença da camada batch, que permite um processamento abrangente e detalhado de históricos de dados, algo que é tratado de forma diferente na arquitetura Kappa.
 </li>
 </ul>
 
 
 Portanto, a alternativa correta é C.
 

</body>
</html>

A arquitetura Lambda difere da arquitetura Kappa devido à existência da camada batch, que permite acesso ao histórico dos dados processados.

<!DOCTYPE html>
<html lang="pt-BR">
<head>
 <meta charset="UTF-8">
 <style>
 body {
 font-size: 16px;
 line-height: 1.5;
 }
 .blue {
 color: blue;
 }
 math {
 font-size: 16px;
 }
 </style>
</head>
<body>
 A questão aborda os procedimentos no contexto de Big Data, especificamente os processos ELT (“Extract, Load, Transform”) e ETL (“Extract, Transform, Load”). A compreensão adequada desses métodos é fundamental para o gerenciamento eficiente de grandes volumes de dados e suas transformações.
 

 Os termos ELT e ETL referem-se a duas abordagens distintas para o processamento de dados na preparação para análise:
 

 <ul>
 <li>ETL:
 No processo ETL, os dados são extraídos de várias fontes. Antes de serem carregados no data warehouse ou base de destino, eles passam por uma etapa de transformação. Esta transformação inclui limpeza, agregação, e normalização dos dados, a fim de prepará-los para consultas e análises eficientes.
 
 Segue exemplo de expressão simples em MathML que ilustra a sequência de passos do ETL:
 
 <math xmlns="http://www.w3.org/1998/Math/MathML" display="block">
 <mi>Extract</mi>
 <mo>→</mo>
 <mi>Transform</mi>
 <mo>→</mo>
 <mi>Load</mi>
 </math>
 
 </li>
 <li>ELT:
 Por outro lado, no processo ELT, após a extração, os dados são carregados diretamente no data warehouse ou data lake. A transformação dos dados ocorre só depois que já estão carregados na plataforma de destino. Isso permite que o processamento aproveite as capacidades de armazenamento e processamento computacional do sistema de destino.
 
 Segue exemplo de expressão simples em MathML que ilustra a sequência de passos do ELT:
 
 <math xmlns="http://www.w3.org/1998/Math/MathML" display="block">
 <mi>Extract</mi>
 <mo>→</mo>
 <mi>Load</mi>
 <mo>→</mo>
 <mi>Transform</mi>
 </math>
 
 </li>
 </ul>
 

 A afirmação na questão diz que no ELT, a "limpeza e transformação dos dados ocorrem dentro do data warehouse", o que está correto. Enquanto no ETL, "essas etapas ocorrem antes de os dados serem carregados na base de destino", o que também é precisamente a definição desse método.
 
 
 Portanto, a descrição dos procedimentos está correta levando em consideração os conceitos e práticas padrão de Big Data.
 

 A alternativa correta é C.
 

</body>
</html>

No processo de ELT, a limpeza e a transformação dos dados ocorrem dentro do data warehouse, enquanto que, no ETL, essas etapas ocorrem antes de os dados serem carregados na base de destino.

<!DOCTYPE html>
<html lang="pt-BR">
<head>
 <meta charset="UTF-8">
 <style>
 body {
 font-size: 16px;
 line-height: 1.5;
 }
 .blue {
 color: blue;
 }
 math {
 font-size: 16px;
 }
 </style>
</head>
<body>
 Para analisar a assertiva apresentada pela questão, é fundamental entender os conceitos básicos do JSON e do UDDI dentro do contexto de tecnologias de comunicação web.
 

 JSON, que significa JavaScript Object Notation, é um formato leve de troca de dados, fácil para humanos lerem e escreverem, e fácil para máquinas analisarem e gerarem. Ele é baseado em um subconjunto da linguagem de programação JavaScript e um padrão comum para a comunicação de informações entre sistemas.
 

 UDDI, que significa Universal Description, Discovery, and Integration, é um protocolo padrão para descrever, publicar e descobrir serviços web. Ele é usado principalmente em arquiteturas orientadas a serviços(SOA), permitindo que empresas registrem e localizem serviços web na Internet. UDDI utiliza uma combinação de descrições XML para listar informações sobre serviços web, como interfaces, implementações e outros metadados.
 

 Agora, analisando o enunciado: "UDDI é uma linguagem usada para a formatação de documentos JSON para comunicação entre serviços web.", vemos que há um equívoco na descrição das funções do UDDI. UDDI não é uma linguagem de formatação de documentos, e sim um framework que opera primariamente com XML, não com JSON, para a descrição e descoberta de serviços web. Enquanto JSON é um formato de dados, UDDI é uma plataforma para cliente e servidor que permite que empresas listem e descubram serviços na internet utilizando XML.
 

 
 Dada a diferença fundamental entre os propósitos de UDDI e JSON, a afirmação está incorreta, pois mistura o propósito de um protocolo de descoberta de serviços com um formato de troca de dados sem direta relação funcional.
 

 Portanto, a alternativa correta é E (Errado).
 

</body>
</html>

UDDI é uma linguagem usada para a formatação de documentos JSON para comunicação entre serviços web.

Julgue o item subsequente, relativo ao desenvolvimento de sistemas de computação.


Questões de Concurso para Auditor Fiscal de Tributos Municipais - Tecnologia da Informação