Questão nº 74
Questão de Engenharia de Dados · FCC PMSP Analista TIC 2025 (nº 74)
Uma prefeitura está modernizando sua arquitetura de TI para implementar projetos baseados em Machine Learning (ML). Foi decidido que as soluções utilizarão uma arquitetura de microsserviços para melhor escalabilidade e manutenção. Para a implementação flexível e eficiente de microsserviços para modelos de ML, considerando padrões de design e tecnologias modernas,
- Acada microsserviço deve conter um pipeline completo de treinamento e inferência, garantindo que modelos sejam recalibrados em tempo real.
- Btodos os microsserviços devem ser configurados para compartilhar estados por meio de sistemas de cache em memória como Redis, garantindo que os modelos de ML sejam consistentes.
- Cos microsserviços devem ser projetados exclusivamente para ingestão de dados, enquanto modelos de ML devem ser centralizados em um servidor de alto desempenho.
- Dos modelos de ML devem ser desacoplados em microsserviços independentes que executem inferências, enquanto pipelines de treinamento permanecem centralizados. (alternativa correta)
- Eé necessário criar microsserviços independentes apenas para serviços de logging e monitoramento, mantendo os modelos acoplados ao backend principal.
Resposta comentada
Gabarito Alternativa D
Microsserviços para Machine Learning (ML) significa dividir as funcionalidades de um sistema de ML em partes pequenas e independentes, que podem ser desenvolvidas, implantadas e escaladas separadamente.
(A) Incorreta: Ter o pipeline completo de treinamento e inferência em cada microsserviço é ineficiente, redundante e caro em recursos, além de "recalibrar em tempo real" ser complexo e nem sempre necessário. (Armadilha: a ideia de "recalibrar em tempo real" soa avançada, mas a forma de implementação proposta é ineficiente e impraticável para a maioria dos casos, gerando duplicação de lógica e recursos.)
(B) Incorreta: Compartilhar estado de modelos via cache em todos os microsserviços cria acoplamento forte e problemas de consistência distribuída, violando a independência e autonomia que são princípios dos microsserviços.
(C) Incorreta: Limitar microsserviços apenas à ingestão e centralizar modelos em um único servidor anula os benefícios de escalabilidade, resiliência e agilidade de uma arquitetura distribuída para ML.
(D) Correta: Desacoplar a inferência (uso do modelo) em microsserviços próprios permite escalar o uso do modelo de forma independente, enquanto o treinamento (criação do modelo) pode ser um processo mais pesado, menos frequente e centralizado, otimizando recursos.
(E) Incorreta: Microsserviços para logging/monitoramento são importantes, mas não abordam a questão central de como os modelos de ML devem ser estruturados na arquitetura, mantendo-os acoplados ao backend principal.
Fonte: FCC PMSP Analista TIC 2025 Analista de Planejamento e Desenvolvimento Organizacional - Tecnologia da Informação e Comunicação (Caderno Tipo 001). Reproduzida para fins de estudo.