Questão nº 69
Questão de Tecnologia da Informação · FGV DATAPREV 2024 (nº 69)
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
Um sistema de Business Intelligence eficaz para detecção de fraudes em tempo real precisa de dados limpos e estruturados, mesmo que venham de muitas fontes e sejam muito dinâmicos, para que os algoritmos de inteligência artificial funcionem com precisão e rapidez.
- (A) Incorreta: Armazenar dados sem pré-processamento ou validação em um sistema financeiro é um risco enorme para a precisão e confiabilidade da detecção de fraudes.
- (B) Incorreta: Esta é a armadilha. Embora data lakes armazenem dados brutos para ML, para detecção de fraudes em tempo real com alta precisão e eficiência, aplicar algoritmos diretamente sobre dados completamente brutos e sem esquema definido é ineficiente e propenso a erros. Os dados precisam de alguma limpeza e estruturação (mesmo que seja um ELT) para otimizar o desempenho e a precisão dos modelos de IA em produção.
- (C) Correta: Esta abordagem é a mais completa e adequada. Um processo ETL robusto garante a qualidade e transformação dos dados, o data warehouse otimizado oferece estrutura e desempenho para consultas analíticas e treinamento/serviço de modelos, e a aplicação de mineração de dados e IA atende ao requisito de detecção preditiva de fraudes, tudo contribuindo para eficiência, precisão e baixa latência (considerando que o DW pode ser alimentado por fluxos de dados em tempo real após o ETL).
- (D) Incorreta: Confiar exclusivamente em OLAP e dados históricos ignora a necessidade de detecção de fraudes em tempo real, que é um requisito central do cenário.
- (E) Incorreta: Utilizar somente ferramentas de visualização de dados, sem algoritmos de inteligência artificial, não atende ao requisito de modelagem preditiva e algoritmos de IA avançados para detecção de fraudes complexas.
Fonte: FGV DATAPREV 2024 Analista de Tecnologia da Informação - Análise de Negócio de TI (Caderno Tipo 1). Reproduzida para fins de estudo.