Questão FC296027
Nas últimas décadas, a automatização e a inserção de máquinas agrícolas transformaram profundamente o panorama do trabalho nas áreas rurais [...] e, em menos de 50 anos, a produtiv
Bancos de Dados Dimensionais
CESGRANRIO · 2024
Nas últimas décadas, a automatização e a inserção de máquinas agrícolas transformaram profundamente o panorama do trabalho nas áreas rurais [...] e, em menos de 50 anos, a produtividade do agronegócio brasileiro aumentou 400%. [...]
Esses resultados vieram com a adoção da tecnologia nos processos cotidianos, e também com o investimento em pesquisas [...]. Agora, o agronegócio pode estar diante de um novo salto de produtividade; big data e machine learning são ferramentas que estão ganhando espaço e que podem, novamente, transformar o cenário do campo.
Disponível em: https://summitagro.estadao.com.br/tendencias-e- -tecnologia/como-big-data-e-machine-learning-sao-aplicados-no- -agronegocio/. Acesso em: 5 jan. 2024. Adaptado.
A utilização da plataforma paralela de processamento MapReduce aplica-se adequadamente como um framework de processamento de Big Data, visando à escalabilidade para as aplicações.
Nesse contexto, uma característica inerente à MapReduce é a
- sua abordagem, que reflete uma solução simplificada de processamento de dados paralelos em um cluster.
- sua função map(), que gera, para cada registro de entrada, um ou mais pares (chave,valor).
- sua função reduce(), que gera um resultado combinado em valores que compartilham chaves distintas.
- sua demanda pela existência de um esquema de dados.
- natureza estática de suas funções, que devem respeitar a especificação original, caracterizando uma restrição inerente a essa abordagem.
Mostrar resposta e comentário
Gabarito
A
Comentário do professor
A alternativa correta destaca que o MapReduce oferece uma solução simplificada para o processamento paralelo de grandes volumes de dados em um cluster. Essa simplificação vem do modelo de programação dividido em duas etapas claras: map() (transforma e emite pares chave-valor) e reduce() (agrega valores por chave).
O framework abstrai a fragmentação dos dados, a distribuição das tarefas e o reagrupamento (shuffle), permitindo que o desenvolvedor pense apenas nas funções de map e reduce, não no roteamento entre nós.
Essa abstração facilita a adoção e garante escalabilidade horizontal e tolerância a falhas, características centrais que tornam o MapReduce uma solução prática e inerentemente paralela para processamento em larga escala.
Conteúdo do catálogo FC Concursos · Atualizado em