Data Warehouses (DW) e Mineração de Dados (MD) são muito difundidos em diversos tipos de organizações. Eles possuem usos consagrados nas áreas de arquiteturas de sistemas de informação e Big Data.

Com relação ao DW e MD, avalie se as afirmativas a seguir são verdadeiras (V) ou falsas (F).

( ) O objetivo do DW é dar suporte ao processo de tomada de decisão com dados por intermédio de diversos tipos de algoritmos tais como regras de associação, árvores de classificação. A MD pode ser usado juntamente com o DW para com certos tipos de tomada de decisão em cenários de aplicações de Big Data.

( ) Para tornar o DM mais eficiente o DW dever ter uma coleção de dados agregada e resumida. A MD ajuda na extração de novos padrões que não podem ser encontrados apenas ao consultar e processar dados e metadados do DW.

( ) As aplicações de MD devem ser projetadas para facilitar seu uso juntamente com o DW. Para bancos de dados muito grandes (da ordem de grandeza de terabytes até petabytes de dados), o uso bem-sucedido das aplicações de MD dependerá, em primeiro lugar da construção de um DW.

As afirmativas são, respectivamente,

Não existe uma definição única e precisa de aplicações ou sistemas de Big Data embora se saiba que eles podem manipular dados estruturados, semiestruturados ou não estruturados. As aplicações ou sistemas de Big Data são tipicamente caracterizados pelos conceitos que compõem os “quatro Vs” (embora outros também tenham sido especificados).

Em relação ao tema, relacione os conceitos a seguir às suas respectivas aplicações.

1. Volume.

2. Variedade.

3. Velocidade.

4. Veracidade.

( ) Os sistemas gerenciadores de bancos de dados relacionais foram projetados e otimizados para funcionar em dados estruturados. Em aplicações de Big Data isto não é mandatório, os demais tipos de dados também têm de ser geridos e processados. Além dos estruturados, os dados podem incluir imagens, texto, áudio e vídeo. Aproximadamente 90% dos dados gerados atualmente são não estruturados. Os sistemas de Big Data precisam ser capazes de gerenciar e processar todos esses tipos de dados perfeitamente.

( ) Os dados usados em aplicações de Big Data vêm de muitas fontes, cada uma pode ter estruturas distintas e não ser totalmente confiáveis, podem haver erros, ruídos, inconsistências, desinformações deliberadas entre outros. São comumente referidos como “dados sujos”, alega-se que dados sujos custam bilhões dólares por ano e os sistemas de Big Data precisam “limpar” os dados e manter sua proveniência para justificar sua confiabilidade.

( ) Os conjuntos de dados usados nas aplicações de Big Data são massivos, normalmente na faixa de petabytes, com o rápido crescimento da Internet as aplicações em breve atingirão zettabytes. Para colocar isso em perspectiva, em 2016, o Google informou que os uploads de usuários para o YouTube exigiram 1 petabytes de nova capacidade de armazenamento por dia. Em 2018, o Facebook armazenava cerca de 250 bilhões de imagens exigindo exabytes de armazenamento.

( ) Um aspecto importante das aplicações de Big Data é que elas precisam lidar com dados que chegam ao sistema sob a forma fluxos em tempo real, exigindo que sejam capazes de processar os dados à medida que eles chegam. O Facebook processa mais de 900 milhões de fotos que os usuários carregam por dia. O Alibaba informou que durante um recente período de pico tiveram que processar 470 milhões registros de eventos por segundo. Sistemas desse tipo não permitem que os dados sejam armazenados antes do processamento.

A relação correta, na ordem apresentada, é:

Big Data é tipicamente definida por três V’s: Quais são os V’s do Big Data?

A integração da Internet das Coisas (IoT) com a especificação Sensor Web Enablement (SWE), desenvolvida pelo Open Geospatial Consortium (OGC), representa um avanço significativo para a coleta, o armazenamento e o compartilhamento de dados geoespaciais provenientes de sensores.

Assinale a opção que corresponde a um serviço descrito na especificação SWE que facilita a integração com IoT.

Embora a integração da Internet das Coisas (IoT) e os Sistemas de Informações Geográficas (SIG) ofereça grandes benefícios, algumas limitações podem ser observadas.

Assinale a opção que apresenta um fator que pode inviabilizar o uso de IoT.

O deep learning elimina completamente a necessidade de pré-processamento de dados, pois as redes neurais são capazes de aprender todas as características automaticamente.