O Ollama é uma ferramenta utilizada para execução de grandes modelos de linguagem (LLMs) como o Llama 3.3 e outros, em seu computador. Ele foi desenvolvido para ser executado em macOS, Windows e Linux. Considerando essa informação, analise as seguintes proposições:

I - Para iniciar a execução de um modelo, deve-se usar o comando ollama run . Por exemplo: ollama run openai
II - Para instalar a ferramenta Ollama em sistema operacional Linux, deve-se abrir o terminal e executar: curl -fsSL https://ollama.com/install.sh | sh (seguindo as instruções no arquivo docs/linux.md).
III - Ollama oferece uma biblioteca de modelos disponíveis em ollama.com/library, em que você pode encontrar diversos modelos, como o Gemma 3, Llama 3.2 etc.
IV – Para instalar a ferramenta Ollama em sistema operacional Windows, deve-se baixar o instalador em https://ollama.com/download/OllamaSetup.exe e executá-lo.

Assinale a alternativa CORRETA sobre instalação e uso da ferramenta Ollama:

Assinale a alternativa que representa CORRETAMENTE a execução de uma chamada de API REST Ollama, com o objetivo de conversar com o modelo Llama3.2 no localhost na porta 11434, usando shell script, conforme documentação Ollama:

curl http://localhost:11434/app/generate -d '{
"model": "llama3.2",
"prompt":"Why is the sky blue?"
}'

curl http://localhost:11434/api/chat -d '{
"messages": [
{ "model":"llama3.2","role": "user", "content": "why is the sky blue?"}
]
}'

curl http://localhost:11434/api/chat&model=llama3.2  -d '{
"messages": [
{ "role": "user", "content": "why is the sky blue?" }
]
}'

curl http://localhost:11434/api/chat -d '{
"model": "llama3.2",
"messages": [
{ "role": "user", "content": "why is the sky blue?" }
]
}'

Observando um órgão estadual que integra NF-e, EFD/SPED, logs de sistemas, dados semiestruturados de convênios e arquivos em múltiplos formatos, preservando os dados no formato original para usos analíticos futuros, a característica arquitetural que define um data lake no cenário descrito é

Diante da integração de cadastros de contribuintes provenientes de múltiplos sistemas fiscais, sujeitos a divergências semânticas em relação à Classificação Nacional de Atividades Econômicas (CNAE), abreviações e classificações internas, e visando garantir rastreabilidade para audítoria e reprocessamento, a técnica de pré-processamento adequada ao cenário apresentado é

Tendo em vista uma Secretaria Estadual que analisa o ICMS por contribuinte, período fiscal e região, e que precisa permitir aos auditores comparar no menor tempo possível valores consolidados e detalhados entre níveis temporais (ano → mês → dia), a operação de OLAP que atende ao requisito apresentado é a

Um Auditor está montando um fluxo de dados que extrai informações de um banco de dados SQL, de notas fiscais eletrônicas em formato JSON e de relatórios em PDF com texto livre.

Assinale a opção que indica a classificação desses três tipos de dados, respectivamente.

Um auditor precisa consolidar dados de 12 planilhas mensais diferentes em um único relatório anual no Excel 365. Ele deseja que, ao atualizar um dado na planilha mensal, o relatório anual seja atualizado automaticamente, sem a necessidade de copiar e colar.

O recurso do Excel 365 mais adequado para realizar essa extração e transformação de dados de fontes externas é

Um pipeline de dados do TCE-SC processa bilhões de registros de notas fiscais usando Spark SQL. O Auditor nota um problema de desbalanceamento de dados no qual um único executor demora muito mais que os outros para completar uma operação de Join, pois uma chave específica possui muito mais registros que as demais.

A seguinte técnica avançada de otimização no Spark 3.x permite ao motor de execução identificar esse desequilíbrio em tempo de execução e dividir a partição sobrecarregada em subtarefas menores:

Um Auditor de Controle Externo precisa processar grandes volumes de dados de georreferenciação de obras públicas em Santa Catarina. Para otimizar o tempo, ele utiliza o paradigma MapReduce.

Na fase de MAP desse paradigma, a ação principal executada nos blocos de dados distribuídos é

Para processar terabytes de logs de notas fiscais eletrônicas, o TCE-SC utiliza um cluster Apache Spark. O Auditor nota que o processamento está lento devido ao excesso de movimentação de dados entre os nós da rede durante operações de agrupamento.

A operação do Spark conhecida por causar esse fenômeno de Shuffle e que deve ser utilizada com cautela em grandes datasets é: