Questão nº 68
Questão de Tecnologia da Informação · FGV DATAPREV 2024 (nº 68)
Uma empresa da área financeira está desenvolvendo um sistema de Business Intelligence que utiliza técnicas de modelagem preditiva para detectar fraudes em transações em tempo real. Os dados coletados são altamente voláteis e vêm de múltiplas fontes, incluindo sistemas legados e serviços em nuvem. Para garantir a eficiência e precisão do sistema, é necessário considerar aspectos como qualidade dos dados, latência mínima e implementação de algoritmos de inteligência artificial avançados.
Com base nesse cenário, a abordagem mais adequada para atender aos requisitos do sistema é
- Autilizar bancos de dados NoSQL orientados a documentos para armazenar todas as transações, sem qualquer pré-processamento ou validação dos dados.
- Bimplementar um data lake sem esquema definido, onde todos os dados são armazenados na forma bruta, e aplicar algoritmos de aprendizado de máquina diretamente sobre esses dados.
- Cestabelecer um processo robusto de ETL que inclua limpeza e transformação dos dados, armazenar os dados estruturados em um data warehouse otimizado e aplicar técnicas de mineração de dados e algoritmos de inteligência artificial para detecção de fraudes. (alternativa correta)
- Dconfiar exclusivamente em técnicas de OLAP para análise multidimensional dos dados históricos, sem considerar dados em tempo real.
- Eutilizar somente ferramentas de visualização de dados para identificar padrões de fraude, sem empregar algoritmos de inteligência artificial.
Resposta comentada
Gabarito Alternativa C
O conceito-chave aqui é que, para um sistema de Business Intelligence (BI) que precisa detectar fraudes em tempo real usando inteligência artificial, é fundamental ter dados de alta qualidade e bem estruturados, mesmo que venham de fontes diversas e voláteis.
- (A) Incorreta: Armazenar dados sem pré-processamento ou validação em um sistema financeiro para detecção de fraudes é um risco enorme, pois a qualidade dos dados é crucial para a precisão dos modelos preditivos.
- (B) Incorreta: Embora data lakes sejam ótimos para armazenar dados brutos, aplicar algoritmos de aprendizado de máquina diretamente sobre dados não tratados e sem esquema definido (raw data) é ineficiente e leva a modelos de baixa performance, especialmente quando a "qualidade dos dados" é um requisito explícito. Esta é a armadilha, pois muitos associam data lakes e ML, mas esquecem a etapa vital de preparação dos dados.
- (C) Correta: Esta abordagem atende a todos os requisitos: o ETL robusto garante a qualidade e transformação dos dados (limpeza, padronização), o data warehouse otimizado armazena dados estruturados para análise eficiente e baixa latência, e a aplicação de mineração de dados e IA cumpre o objetivo de modelagem preditiva para detecção de fraudes.
- (D) Incorreta: Confiar exclusivamente em OLAP para dados históricos ignora completamente a necessidade de detecção de fraudes em tempo real, que é um requisito central do cenário.
- (E) Incorreta: Utilizar somente visualização é insuficiente para a detecção preditiva e automatizada de fraudes em tempo real, que exige algoritmos avançados de inteligência artificial, conforme especificado no problema.
Fonte: FGV DATAPREV 2024 Analista de Tecnologia da Informação - Análise de Negócio de TI (Caderno Tipo 1). Reproduzida para fins de estudo.