<!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 pede que identifiquemos qual ferramenta em um cenário de big data seria mais adequada para processar negociações financeiras como uma sequência de eventos em tempo real. Esse tipo de tarefa é crucial em ambientes onde a velocidade de processamento e a capacidade de reagir a eventos em tempo quase real são necessárias.
 
 
 Vamos analisar cada uma das alternativas fornecidas:
 

 <ul>
 <li>A) Orquestrator:
 Orquestradores são usados principalmente para gerenciar complexas cargas de trabalho e pipelines de automação em ambientes de nuvem, principalmente para coordenação de tarefas, e não especificamente para o processamento contínuo de fluxos de dados em tempo real.
 </li>
 
 <li>B) Batch Processor:
 Processadores em lote (Batch Processor) são utilizados para processar grandes volumes de dados que já estão armazenados e não para dados que estão sendo gerados em tempo real. O processamento em lote ocorre em um ponto no tempo, e não continuamente.
 </li>
 
 <li>C) Analytical Data Store:
 Lojas de dados analíticos são plataformas de armazenamento otimizadas para análise, mas elas não lidam diretamente com a ingestão ou processamento de dados em tempo real.
 </li>
 
 <li>D) Streaming Processor:
 Processadores de streaming são projetados especificamente para lidar com fluxos contínuos de dados, processando-os em tempo real. Eles permitem o processamento e análise conforme os dados são recebidos, o que é ideal para aplicativos que dependem fortemente de dados temporais e eventos recentes, como é o caso da análise de negociações financeiras em tempo real.
 </li>
 
 <li>E) Real-timing Message Ingestion:
 Embora a ingestão de mensagens em tempo real seja crucial para o processamento de dados em tempo real, essa opção foca mais na ingestão de dados do que no seu processamento subsequente. A arquitetura para ingestão precisa ser complementada com um sistema capaz de processar essas informações.
 </li>
 
 </ul>
 
 
 Com base na necessidade de processar e analisar dados como uma sequência de eventos, em tempo real, a ferramenta mais adequada é o streaming processor. Esta escolha se justifica pela capacidade dessa ferramenta de lidar com grandes volumes de dados em movimento, permitindo análises e decisões em tempo real, alinhadas com as necessidades descritas no enunciado para a analista de mercado.
 
 
 Portanto, a alternativa correta é D.

</body>
</html>

histograma <img src=https://mapaava.s3.amazonaws.com/66fd40858ca69b5aca0edb34ilovepdf_merged591017.jpg />

gauge <img src=https://mapaava.s3.amazonaws.com/66fd40858ca69b5aca0edb34ilovepdf_merged590214.jpg />

area <img src=https://mapaava.s3.amazonaws.com/66fd40858ca69b5aca0edb34ilovepdf_merged591840.jpg />

rede <img src=https://mapaava.s3.amazonaws.com/66fd40858ca69b5aca0edb34ilovepdf_merged591911.jpg />

treemap <img src=https://mapaava.s3.amazonaws.com/66fd40858ca69b5aca0edb34ilovepdf_merged591939.jpg />

 processar dados heterogêneos, de alto volume e alta velocidade, utilizando estruturas computacionais aprimoradas para a automação de processos e tomadas de decisão; 

 operar dados homogêneos, de alto volume e limitada velocidade, gerando valor agregado para o negócio da empresa; 

 manusear volumes de dados armazenados localmente, heterogêneos e com atividades semiestruturadas, agregando valor ao processo decisório da empresa; 

 processar grandes volumes de dados homogêneos, cujo objetivo principal é a implementação de técnicas avançadas de criptografia; 

 auxiliar no processo de gestão empresarial, processando dados heterogêneos, de alto volume e alta velocidade, descartando domínios de dados e transações.

<!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 conceito de Big Data é fundamental na era da informação, principalmente para análise de dados em grande escala. Big Data envolve volumes imensos de dados, velocidade na análise e processamento, e variedade de tipos e fontes de dados. Vamos analisar cada uma das alternativas à luz desses princípios.
 

 <ul>
 <li>A) Processar dados heterogêneos, de alto volume e alta velocidade, utilizando estruturas computacionais aprimoradas para a automação de processos e tomadas de decisão;
 Esta alternativa descreve com precisão os três V's principais de Big Data: Volume (alto volume), Velocidade (alta velocidade) e Variedade (dados heterogêneos). A menção de estruturas computacionais aprimoradas para automação e tomada de decisão enfatiza a necessidade de sistemas eficientes em manipular essas variáveis críticas. Portanto, é uma descrição precisa das capacidades necessárias em soluções de Big Data.
 </li>
 
 <li>B) Operar dados homogêneos, de alto volume e limitada velocidade, gerando valor agregado para o negócio da empresa;
 Embora reconheça o alto volume, o aspecto de "dados homogêneos" vai contra o princípio da Variedade, que é um pilar do Big Data, que geralmente envolve dados provenientes de diversas fontes e formatos. Além disso, a "limitada velocidade" de operação não alinha com a necessidade de processamento rápido exigido em muitos contextos de Big Data.
 </li>
 
 <li>C) Manusear volumes de dados armazenados localmente, heterogêneos e com atividades semiestruturadas, agregando valor ao processo decisório da empresa;
 Essa alternativa é razoavelmente adequada ao abordar dados heterogêneos e atividades semiestruturadas. No entanto, a descrição de "dados armazenados localmente" limita a capacidade de lidar com o escopo global e diversificado de fontes de dados, uma característica importante das soluções de Big Data que frequentemente envolvem armazenamento em nuvem para acessar mais eficientemente grandes quantidades de dados.
 </li>
 
 <li>D) Processar grandes volumes de dados homogêneos, cujo objetivo principal é a implementação de técnicas avançadas de criptografia;
 Embora o processamento de grandes volumes seja uma característica do Big Data, a focagem em "dados homogêneos" e "técnicas avançadas de criptografia" como objetivo principal não abrange integralmente o propósito geral das soluções de Big Data, que é obter insights através da análise de dados diversos e complexos, não apenas a segurança de dados.
 </li>
 
 <li>E) Auxiliar no processo de gestão empresarial, processando dados heterogêneos, de alto volume e alta velocidade, descartando domínios de dados e transações;
 A parte inicial desta alternativa é apropriada ao contemplar dados heterogêneos, de alto volume e alta velocidade. Contudo, o termo "descartando domínios de dados e transações" sugere uma prática de desconsiderar tipos importantes de dados, o que pode ser contraproducente em análises de Big Data, onde cada pedaço de informação pode ser crucial.
 </li>
 
 </ul>
 
 
 Considerando cada ponto, a alternativa A é a única que abrange completamente os requisitos essenciais para soluções de Big Data ao mencionar o processamento de dados heterogêneos, de alto volume e alta velocidade com a infraestrutura necessária. Portanto, abrange de forma adequada os principais atributos das tecnologias de Big Data dedicadas à tomada de decisão e automação eficaz.
 

 Portanto, a alternativa correta é A.
 

</body>
</html>

Vamos analisar essa questão sobre o uso de Big Data para prever fraudes em transações financeiras, um cenário extremamente relevante na atualidade. A análise dessa questão está relacionada com a aplicação prática de técnicas de análise preditiva em TI.

Conceitos de TI:

Big Data refere-se a conjuntos de dados tão vastos e complexos que exigem tecnologias sofisticadas para captura, armazenamento, gerenciamento e análise. Ao prever fraudes, as instituições financeiras buscam identificar padrões que podem indicar transações fraudulentas. Técnicas de modelagem de dados, como aprendizado de máquina e estatística avançada, são frequentemente aplicadas para este fim.

Especificamente, a análise preditiva utiliza modelos estatísticos para prever eventos futuros, baseando-se em dados históricos. Esta análise é fundamental para detectar anomalias que podem sinalizar fraudes.

Análise das Alternativas:

Alternativa A:
A análise de sentimento interpreta emoções e opiniões expressas em dados não estruturados, como texto das redes sociais. Não é diretamente utilizada para prever fraudes financeiras, que requerem identificação de padrões numéricos e transacionais.

Alternativa B:
A regressão logística é uma técnica estatística amplamente usada para modelagem preditiva. Ela é capaz de prever a probabilidade de um evento binário, como "fraude" versus "não fraude". Muito eficaz na criação de modelos que estimam a probabilidade de transações serem fraudulentas, é a escolha correta para esta questão.

Alternativa C:
A análise de séries temporais foca em dados coletados ao longo do tempo e é utilizada para previsões como vendas futuras ou taxas de câmbio, não sendo a mais indicada para a detecção de padrões de fraude em transações financeiras individuais.

Alternativa D:
A estatística descritiva resume e descreve datasets. Enquanto útil para observação, é insuficiente para prever eventos futuros como fraudes, pois não cria modelos preditivos.

Alternativa E:
O agrupamento hierárquico é uma técnica de aprendizado de máquina não supervisionado usado para encontrar estruturas ou grupos em um conjunto de dados. Embora útil para identificar padrões gerais, não é a melhor técnica para prever fraudes específicas, que exigem uma análise mais focada.

Fundamentação Técnica:

A regressão logística é amplamente utilizada em sistemas de detecção de fraudes, principalmente pela sua capacidade de lidar com variáveis binárias de resultados, que se adequam perfeitamente ao cenário de fraude versus não fraude.

Portanto, para instituições financeiras, a implementação de regressão logística oferece um método robusto no desenvolvimento de modelos para prever a ocorrência de fraudes, melhorando a segurança e eficiência das transações financeiras.

Gabarito: Letra B

Vamos analisar a questão apresentada sobre Big Data, um tema bastante relevante na área de Tecnologia da Informação, especialmente em processos de transformação digital e análise de dados.

Conceitos de TI: Na era do Big Data, lidamos com grandes volumes de dados que podem ser classificados como estruturados ou não estruturados. Dados estruturados são organizados em formatos pré-definidos, como tabelas e bases de dados relacionais, o que facilita sua manipulação e consulta. Por outro lado, dados não estruturados não possuem um esquema ou formato uniforme, abrangendo, por exemplo, e-mails, imagens, vídeos, e textos. Esses dados são mais complexos de gerenciar e requerem soluções de armazenamento diferentes das bases de dados tradicionais.

Uma característica essencial do Big Data é a variedade, referindo-se à multiplicidade de tipos de dados (estruturados, semi-estruturados e não estruturados). A capacidade de lidar com essa variedade impulsiona o uso de novas tecnologias e métodos de armazenamento e processamento, como NoSQL, Hadoop, e data lakes.

Análise de Tecnologias e Ferramentas: Bancos de dados relacionais, como MySQL ou Oracle DB, são excelentes para dados estruturados por usarem um esquema fixo e tabelas organizadas. No entanto, eles não são ideais para dados não estruturados. Tecnologias como bancos de dados NoSQL (por exemplo, MongoDB, Cassandra) ou a utilização de plataformas como Hadoop são preferíveis para lidar com a não estruturação dos dados, permitindo flexibilidade na forma como os dados são armazenados e processados.

Análise das Alternativas:

Alternativa C:
"Certo" - Essa alternativa sugere que dados não estruturados podem ser armazenados em bancos de dados relacionais da mesma forma que dados estruturados, o que não é preciso. Embora tecnicamente se possa tentar armazenar dados não estruturados em bancos de dados relacionais através de campos primários e armazenamento binário de grandes objetos (BLOBs), essa prática não é comum nem eficiente. Dados não estruturados exigem estruturas mais flexíveis oferecidas pelos sistemas NoSQL.

Alternativa E:
"Errado" - Esta alternativa é a correta, pois reflete o entendimento de que dados não estruturados não são adequadamente suportados por bancos de dados relacionais. Soluções projetadas para lidar com a variabilidade dos dados não estruturados são mais adequadas para atender a essas necessidades complexas. Plataformas como NoSQL e outras tecnologias emergentes são amplamente utilizadas para esses fins.

Fundamentação Técnica: O uso de bancos de dados NoSQL e ferramentas de Big Data é fundamentado na necessidade de lidar com dados em formatos e tamanhos variados que não se encaixam facilmente em estruturas rígidas de bancos de dados relacionais. A flexibilidade oferecida pelas plataformas de Big Data possibilita a manipulação eficiente de dados não estruturados, auxiliando na extração de valor dessas informações de forma prática e eficaz.

Gabarito: Letra E

Assim como os dados estruturados, os dados não estruturados também podem ser armazenados em bancos de dados relacionais.

A respeito de Big Data, julgue o próximo item.

Questões de Tecnologia da Informação - Big Data