Questão FC546339
Uma Secretaria da Fazenda busca aprimorar a análise de dados fiscais utilizando tecnologias ligadas ao Big Data. A abordagem mais adequada para garantir escalabilidade, eficiência
Bancos de Dados Dimensionais
FCC · 2025
Uma Secretaria da Fazenda busca aprimorar a análise de dados fiscais utilizando tecnologias ligadas ao Big Data. A abordagem mais adequada para garantir escalabilidade, eficiência e análises em tempo real é
- a utilização de ferramentas de Data Mining, pois algoritmos de mineração de dados conseguem analisar qualquer volume de informações fiscais sem depender de frameworks como Hadoop ou Spark.
- o Data Warehouse, pois permite processar dados não estruturados e estruturados simultaneamente, garantindo alta velocidade e baixa latência nas análises fiscais.
- a combinação de Hadoop, para armazenamento distribuído e processamento em lote, com Spark, para análises rápidas e em tempo real, que viabiliza a fiscalização de grandes volumes de dados fiscais.
- o Apache Hadoop, ferramenta ideal para análise em tempo real, pois seu módulo de processamento MLlib, otimizado para aprendizado de máquina, permite respostas instantâneas a consultas complexas em grandes volumes de dados fiscais.
- o Apache Spark, uma plataforma otimizada para processamento em lote, ideal para análises de streaming e detecção de padrões em tempo real utilizando MapReduce.
Mostrar resposta e comentário
Gabarito
Certo
Comentário do professor
A combinação de Hadoop e Spark é adequada porque separa responsabilidades: Hadoop fornece HDFS para armazenamento distribuído e frameworks de processamento em lote capazes de tratar volumes massivos de dados fiscais com tolerância a falhas.
Spark complementa com processamento em memória, oferecendo consultas interativas, iterações rápidas e suporte a análises quase em tempo real via Structured Streaming. Isso reduz latência e permite detecção imediata de anomalias.
Na prática, dados ficam armazenados em HDFS e são processados em lote quando necessário, enquanto o Spark roda sobre o mesmo cluster (por exemplo, via YARN) para tarefas analíticas, relatórios interativos e modelos de ML com MLlib.
O arranjo entrega escalabilidade, eficiência e capacidade de fiscalização em grandes volumes, conciliando processamento em lote e análises rápidas.
Conteúdo do catálogo FC Concursos · Atualizado em