Questão de Tecnologia da Informação · FCC PGE-AM 2022 (nº 23)

A Internet das Coisas (IoT) gera uma quantidade massiva de dados, que, por suas características (volume, velocidade, variedade), se enquadram no conceito de Big Data. Para extrair valor e conhecimento desses dados, utiliza-se a Data Science, que aplica técnicas e algoritmos avançados.

(A) Correta: À medida que mais elementos de tecnologia são integrados com o ecossistema de IoT, produzindo dados não estruturados, torna-se mais difícil organizar e transformar o enorme volume de dados usando técnicas convencionais de analytics; desta forma, recomenda-se o uso de técnicas de Data Science voltadas à IoT para escalar e analisar os dados produzidos pela IoT.

• Fundamento: Esta alternativa descreve perfeitamente a sinergia e a necessidade da Data Science no contexto da IoT. A IoT gera dados em grande volume e variedade (muitas vezes não estruturados), o que sobrecarrega métodos de análise tradicionais. A Data Science, com suas técnicas avançadas (incluindo Machine Learning e IA), é essencial para processar, analisar e extrair insights desses dados em escala, validando a relação entre os três conceitos.

(B) Incorreta: O termo Big Data surgiu para descrever a gigantesca quantidade de dados produzidos pela Era Digital, em geral volumes expressos em PentaBytes (2⁵⁰ bytes), em Hexabytes (20⁶⁰ bytes) ou sextilhões de dados, crescendo para ZettaBytes e acima. Mas, muito além do volume, o grande interesse em Big Data está em seu potencial econômico.

• Armadilha da banca: Embora a descrição do volume de dados e o potencial econômico do Big Data estejam corretos em si, a alternativa não aborda a relação entre Big Data, Data Science e IoT, que é o foco da questão. Além disso, a definição de Big Data vai além do volume, incluindo velocidade, variedade, veracidade e valor (os "Vs"), que não são totalmente contemplados aqui. A questão pede uma afirmação correta sobre a relação entre os três termos.

(C) Incorreta: A Data Science gera uma matriz de dispositivos conectados à internet que transferem dados entre si para alterar seu desempenho, o conhecido Big Data. Estes dados são gerados por ações automatizadas, sem intervenção ou inserção humana. O Big Data tem 4 elementos principais, conhecidos por SPAM: Sensores, Processamento de redes, Análise de dados e Monitoramento do sistema.

• Fundamento: Esta alternativa contém múltiplos erros conceituais graves. A Data Science não gera dispositivos IoT; ela analisa os dados gerados por eles. A descrição de "Big Data" como "matriz de dispositivos" está incorreta. E o acrônimo SPAM para os elementos do Big Data é completamente inventado; os elementos corretos são os "Vs" (Volume, Velocidade, Variedade, Veracidade, Valor).

(D) Incorreta: A IoT envolve a aplicação de algoritmos para obter insights e examinar grandes conjuntos de dados para procurar correlações significativas. O foco da IoT está na inferência, que é o processo de derivar conclusões baseadas no que o cientista de dados ainda desconhece.

• Fundamento: A IoT é a rede de dispositivos físicos conectados que coletam e trocam dados. A aplicação de algoritmos para obter insights é função da Data Science (ou Machine Learning), não da IoT em si. O foco da IoT é a conectividade e a coleta de dados, enquanto a inferência e a análise são responsabilidades da Data Science.

(E) Incorreta: A Data Science, também conhecida como Machine Learning, estuda como permitir que os computadores resolvam problemas sem serem explicitamente programados para resolvê-los passo a passo. Para isso, abrange uma variedade de métodos de aprendizado supervisionado, hiper supervisionado e não supervisionado.

• Fundamento: A Data Science é um campo multidisciplinar muito mais amplo que engloba Machine Learning como uma de suas ferramentas e subáreas. Não são sinônimos. A descrição do Machine Learning (aprender sem ser explicitamente programado, tipos de aprendizado) está correta, mas a afirmação de que Data Science é também conhecida como Machine Learning é falsa. O termo "hiper supervisionado" também não é um tipo padrão de aprendizado.