Blue Claro - Módulo

Banco do Brasil: Tecnologia

Olá! Nesse módulo vamos aprender tudo sobre Inteligência Artificial e Big Data! Para isso, estudaremos assuntos como: Internet das Coisas, Inteligência Artificial, Machine Learning, Tipos de Aprendizado, Deep Learning, Big Data, Tecnologias e, no final, faremos o Resumão EmÁudio!

Preparado(a)? Aperte o play e vamos estudar informática ouvindo!

Professor: Victor Dalton
Duração Total: 51 minutos 32 segundos

MÓDULO 06

Inteligência Artificial e Big Data

Informática EmÁudio: Internet das CoisasFala, jovem! Beleza? Bem vindo ao sexto módulo de Informática em áudio. Uma honra ter a sua presença. Preparado para mais conhecimento? Então, sorriso no rosto, foco em mim e vamos juntos! Meu jovem, nesse em áudio vamos bater um papo sobre a Internet das coisas, também conhecida pela sigla IoT. Já ouviu falar dela? Não? Calma aí que eu tô aqui pra isso. Ouvidos bem abertos.Jovem, você já ouviu aquela história de um dia sua geladeira vai perceber que está faltando cerveja e vai fazer um pedido ao supermercado que vai entregar mais cerveja na sua casa? Nunca ouviu? Então deve ser um sonho meu. Brincadeiras à parte, não estamos muito longe disso. Com o avanço da tecnologia, as empresas estão costurando soluções nas quais um conjunto de objetos físicos podem estar conectados entre si e com o usuário, por meio de sensores inteligentes e softwares que transmitem dados para uma rede. Esta malha de dispositivos, utilizando uma aplicação comum, pode cruzar dados para alimentar o usuário, aumentando sua produtividade ou até mesmo seu conforto. Ah, bem da verdade, já estamos convivendo com a primeira geração de dispositivos da IoT, que são os relógios e pulseiras inteligentes, smartwatches, os chamados wearables, dispositivos vestíveis. Esses aparelhos já estão contando nossos passos, batimentos cardíacos, marcando eventos em nossas agendas e por aí vai. Mas não demoraremos muito para que geladeiras, carros, câmeras e outros dispositivos incorporem à lista. Vou te dar alguns exemplos do que estou falando para você entender bem. Você vai ficar espantado! Um aspirador de pó robô pode ser programado para limpar a casa depois da hora de dormir. As lâmpadas da casa podem emitir luzes em tons específicos durante vários momentos do dia ou se apagarem quando todos saírem. O ar-condicionado pode se ativar 5 minutos antes de você chegar, deixando o ambiente na temperatura correta. Um fogão seria capaz de cortar o fornecimento de gás e avisar a companhia fornecedora ao detectar um vazamento. Freezers comerciais avisariam o fabricante em caso de defeito, evitando a perda de comida, vacinas ou outros elementos perecíveis ou pouco duráveis sem refrigeração. Tratores automatizados seriam capazes de fazer o trabalho de um funcionário mesmo à noite, com dados via satélite para evitar desperdício e utilizando a rede apenas quando necessário. Hospitais podem utilizar equipamentos capazes de coletar dados armazenados em smartwatches, pulseiras inteligentes e outros dispositivos vestíveis que monitorem os dados vitais do paciente, otimizando o atendimento e facilitando o diagnóstico. E você, acha que ainda estamos muito distantes desta realidade? Bom, no próximo em áudio, nós vamos conversar sobre inteligência artificial, e você vai perceber que o futuro é agora! Fica comigo! Até mais! Abraços!

01 - Internet das Coisas

Informática EmÁudio: Inteligência ArtificialE aí, meus amigos, tudo certo? Hora de falar sobre Inteligência Artificial. Me acompanhe!A Inteligência Artificial, também chamada de Inteligência Computacional, envolve técnicas e métodos que têm como ambição desenvolver máquinas capazes de se comportarem ou trabalharem de uma forma tão inteligente quanto o ser humano. A Inteligência Artificial possui uma aplicabilidade muito ampla, pois é possível utilizá-la em diversos contextos.Esta é uma definição simples e esclarecedora que, acredite ou não, já é o suficiente para que você consiga responder questões introdutórias acerca do assunto. E eu posso te provar! Se liga nessa questão da Banca Quadrix.Inteligência Computacional é um conjunto de métodos e/ou técnicas que procura desenvolver sistemas dotados de comportamento semelhante a certos aspectos do comportamento inteligente. E aí, certo ou errado? Certo, jovem, acabamos de conversar sobre isso! Bora para mais uma!Essa é da empresa CESPE. Existem programas semi-autônomos, proativos e adaptativos que utilizam recursos de Inteligência Artificial. Eles são usados no ensino à distância porque possibilitam a recuperação de informações, a operação de programas e o monitoramento de recursos de rede utilizados pelos profissionais dessa modalidade de ensino. E aí, está certo ou errado essa questão? Isso mesmo, certinha!Ao responder questões de prova sobre Inteligência Artificial, saiba que é possível implementá-la em praticamente qualquer contexto, exceto se for apresentado pelo examinador algo muito bizarro. Deu para entender? Tranquilo, né?Jovem, à medida que a tecnologia foi avançando, tivemos desdobramentos e surgiram vários ramos da Inteligência Artificial, como o Machine Learning e o Deep Learning. E é sobre eles que vamos começar a conversar. Mas só na próxima aula! Fica comigo!

02 - Inteligência Artificial

Informática EmÁudio: Machine LearningBom dia! Boa tarde! Boa noite! Independentemente do horário que você está me fazendo companhia, é sempre um prazer tê-lo comigo.Bora aprender sobre Machine Learning? Sobre o quê, professor? Machine Learning, jovem! Machine Learning, traduzindo para o nosso bom português, quer dizer aprendizado de máquina. É definido por um sistema computacional, máquina, que busca realizar uma determinada tarefa, aprendendo a partir de uma experiência e procurando melhorar a performance do trabalho desempenhado. Em outras palavras, eu tenho uma tarefa para ser feita e eu quero que esta tarefa seja feita de forma cada vez melhor, progredindo.Logo, a partir de uma experiência, eu coloco a máquina para aprender e progredir, visando melhorar a performance e executar algo com cada vez mais empenho. Exemplificando de forma hipotética, eu quero desenvolver um algoritmo para que uma máquina jogue xadrez, mas não somente isso, que ela também aprenda e jogue cada vez melhor. Então, com Machine Learning, à medida que a máquina joga, ela aprende com seus erros e acertos.Fácil, não é não? Bora ver como isso cai em prova? Vem comigo! Essa questão é da Banca CESPE, hein? Uma aplicação que reconheça o acesso de um usuário e forneça sugestões diferentes para cada tipo de usuário pode ser considerada uma aplicação que usa Machine Learning. Certo ou errado, jovem? Certíssimo! Qualquer solução tecnológica que busque fazer uma tarefa melhor pode ser considerada Machine Learning.Reconhecer o acesso de usuários e fornecer sugestões diferentes é o que a Netflix, Amazon Prime e os outros serviços de streaming fazem. A máquina oferece recomendações de filmes e, se der certo, continua oferecendo para outros. Sistemas de sugestão, como este, são exemplos clássicos de implementação de Machine Learning.Conseguiu entender? Posso ir embora? Eu vou, mas eu volto! Preciso falar ainda dos tipos de aprendizado e do Deep Learning. Beba uma água, se alongue, que já já eu volto!

03 - Machine Learning

Informática EmÁudio: Tipos de AprendizadoOlá, jovem! Bora aprender mais um pouquinho.Hora de falar dos tipos de aprendizado. Já vou te falando que são três. Aprendizado supervisionado. Aprendizado não supervisionado. E aprendizado por reforço. Calma, vamos conversar sobre cada um deles. Vamos por ordem. Vou começar pelo aprendizado supervisionado.Jovem, o aprendizado supervisionado é aquele no qual há supervisão humana para dizer à máquina, faça isso ou siga esse parâmetro. Portanto, o sistema analisa os dados com base em variáveis de entrada. Imagine a seguinte situação. Eu digo para a máquina tentar predizer o salário das pessoas utilizando como parâmetro os dados: anos de carreira, formação e idade.Na NFL, Liga de Futebol Americano dos Estados Unidos, utiliza-se o machine learning para tentar predizer, com base em estatísticas, quais jogadores serão os melhores jogadores da liga no futuro. Na temporada de 2019 a 2020, o jogador Patrick Mahomes, com 24 anos de idade, foi considerado o melhor jogador. No final da temporada, o time Kansas City assinou um contrato de 10 anos com ele, no valor de 450 milhões de dólares. 450 milhões, você não ouviu errado, meu amigo.Diante disso, muitos se assustaram com o exorbitante valor pago. Porém, muito provavelmente, utilizou-se um sistema que, com base na idade, estatísticas da universidade e da liga, previu que Patrick Mahomes será um dos melhores jogadores da NFL pelos próximos anos, pois ele é muito jovem.Resumindo, jovem, no modelo de aprendizado supervisionado, o homem diz à máquina como ela deve aprender, impondo as variáveis a serem observadas. Deu para entender? Vamos em frente!Modelo de aprendizado não supervisionado.Diferentemente do modelo aprendizado supervisionado, neste modelo é dito para o sistema, se vira! Portanto, o próprio sistema descobre as variáveis que poderão chegar à informação desejada. Imagine essa outra situação. Um banco desenvolve um sistema para detectar a possibilidade de ocorrência de fraude. Para tanto, é informado ao sistema o que é uma fraude, e ele próprio terá que entender e descobrir as variáveis que predizem fraude. Se liga como esse assunto pode ser cobrado no seu concurso.A questão é da Banca CESPE e eu vou ler para você. Na busca de padrões no data mining, é comum a utilização do aprendizado não supervisionado, em que um agente externo apresenta ao algoritmo alguns conjuntos de padrões de entrada e seus correspondentes padrões de saída, comparando-se a resposta fornecida pelo algoritmo com a resposta esperada. E aí, certo ou errado?Errado, jovem! Se é informado ao sistema os padrões de entrada e de saída, trata-se, na verdade, do aprendizado supervisionado. Beleza? Tranquilo, né? Vamos para o último modelo, o aprendizado por reforço. No aprendizado por reforço, o sistema se vira, mas recebe inputs externos ocasionais para lhe informar se algo deu certo ou deu errado. Portanto, é o meio termo entre os dois modelos anteriores. Por exemplo, no sistema financeiro, as corretoras de investimento utilizam vários algoritmos para descobrir qual é a melhor hora para compra e venda de ações. Estes algoritmos, muitas vezes, utilizam o aprendizado por reforço, realizando operações enquanto o humano lhe informa quais foram bem-sucedidas e quais não foram. Diante disso, a máquina estuda para descobrir quais variáveis nas transações levaram ao sucesso ou fracasso. Assunto entendido? Beleza!Antes de finalizar este em áudio, quero resolver só mais uma questão com você. Descobrir conexões escondidas e prever tendências futuras é um dos objetivos da mineração de dados, que utiliza a estatística, a inteligência artificial e os algoritmos de aprendizagem de máquina. Certo ou errado, jovem?Isso mesmo! Questão correta! Este é exatamente o objetivo de todos ao utilizar a mineração de dados, data mining, e aprendizagem de máquinas, machine learning. Descobrir conexões escondidas e, por meio destas, prever tendências futuras. Maravilha! Já vi que você entendeu direitinho o assunto até aqui. Então, eu vou indo embora, mas ainda não acabou, hein? Te espero no próximo em áudio para batermos um papo sobre Deep Learning. Tchau! Até lá!

04 - Tipos de Aprendizado

Informática EmÁudio: Deep LearningE aí jovem, tudo joia? Hora de falar do Deep Learning. Aumenta o som aí e presta atenção! Meu caro, este é um outro ramo da inteligência artificial, ainda mais profundo do que o Machine Learning. Lembra dele? O Deep Learning, do inglês Aprendizado Profundo, é a codificação de software que emula redes neurais artificiais. Em outras palavras, objetiva literalmente programar cérebros. Fique ligado, jovem!Sobre o Deep Learning, o termo-chave que provavelmente aparecerá em uma questão sobre este tema é redes neurais. Grave isso! Atualmente, por exemplo, há sistemas capazes de ler placas de trânsito. Para nós humanos, pode parecer bem fácil identificar o que é uma placa de pare. Mas nas ocasiões em que a placa está torta, pichada, sob incidência de sol ou chuva, não é tão fácil para um sistema reconhecer. Para que um sistema saiba identificar uma placa, independentemente da posição ou condições, é preciso milhões de interações de código.O Google desenvolveu uma rede neural, a Google Brain que, ao analisar 10 milhões de frames, quadros, de vídeos do YouTube, passou a ser capaz de identificar sozinha três categorias de objetos. Rostos humanos, corpos humanos e gatos. O que torna essa informação ainda mais interessante e relevante é que este foi um aprendizado não supervisionado. Isto é, o sistema aprendeu sozinho o que é um gato. Visando imitar o procedimento humano, no Deep Learning, o aprendizado acontece em camadas. Conseguiu entender? Bora praticar! Eu leio a questão e você me diz se ela está certa ou errada, ok?Banca quadrix, hein? Bora lá! Os computadores que dominam o mercado baseiam-se na arquitetura de Von Neumann, que tem a definição bem clara de bit 0 e 1, distintos. Uma nova tendência, que vem de um avanço contra a inteligência artificial, são os computadores quânticos, que assumem valores além dos bits 0 e 1. E aí, certo ou errado? Correto, jovem! Isso mesmo, trata-se da lógica quântica, também chamada de lógica nebulosa ou fuzzy. As questões sobre inteligência artificial são bastante intuitivas, visto a sua ampla aplicação e que está em constante mudança. Diante disso, não há muito que o examinador possa fazer para tentar te engambelar. Pode ficar tranquilo! Fico por aqui! Obrigado pela companhia! Abraços! Fui!

05 - Deep Learning

Informática EmÁudio: Big Data - Parte 1Fala, meu jovem, beleza? Você já ouviu falar em Big Data? É sobre este assunto que nós vamos conversar nesse em ádio. Tá preparado? Posso começar? Vem comigo!Jovem, Big Data é um tema que, embora não seja tecnicamente trivial, creio ser bastante interessante. Mas, antes de mergulharmos neste tema, é necessário contextualizar para dar uma melhor compreensão. Vamos com calma.No mundo atual, tudo está gerando informação. Nós estamos a todo momento criando informações para as grandes empresas. Os GPS dos celulares informam nossa localização. Com isso, grandes empresas sabem por onde andamos, onde moramos, onde trabalhamos, aonde vamos em momentos de lazer, etc.As bandeiras dos cartões de crédito e também os bancos registram nossos hábitos de consumo, até mesmo classificando-os por categorias. Relacionando a entrada e saída de capital da sua conta corrente, conseguem saber também o quão propenso alguém é a se endividar e os tipos de dívidas que tal pessoa contrai.As redes sociais refletem diretamente o comportamento das pessoas, sem muito esforço, pois, hoje em dia, elas compartilham voluntariamente seus sentimentos, opiniões, vontades e muito mais. Para exemplificar isso, vou ler para você um trecho de um artigo. Ouvidos bem abertos!Em 2012, com base em uma média de 68 likes do Facebook por usuário, era possível prever sua cor da pele com 95% de precisão, sua orientação sexual com 88% de precisão e sua filiação aos partidos democrata ou republicano com 85% de precisão. Inteligência, filiação religiosa, bem como uso de álcool, cigarro e drogas, tudo poderia ser determinado. Com esses dados, era até possível deduzir se os pais de alguém eram divorciados. 70 curtidas eram suficientes para saber mais até do que os amigos de alguém, 150 curtidas mais do que os pais. Para conhecer uma pessoa mais do que o seu parceiro, bastavam 300 curtidas. Com mais likes do que isso, era possível conhecer mais até do que a própria pessoa sabia sobre si. Já em 2012, veja o quão forte era isso.Tamanha a exposição dos traços de personalidade por parte das pessoas que essas empresas sabem mais sobre você do que você mesmo, por mais engraçado que isso possa parecer. Com o crescimento exponencial de dados gerados, possivelmente nos dias de hoje, isso está tremendamente maior e mais acentuado.Em 2017, cerca de 3.8 bilhões de pessoas estavam conectadas à internet. Nessa época, você tinha algo em torno de 473 mil tweets, 50 mil postagens no Instagram e 4 milhões de vídeos visualizados por minuto. Portanto, é possível concluir sem muita dificuldade que as redes sociais detêm muita informação sobre bilhões de pessoas ao redor do mundo.Resumindo, jovem, o que eu quero dizer é que a sociedade atual produz uma quantidade absurda de informação, isto é, dados. Contudo, 80% a 95% são dados não estruturados. O que são dados não estruturados, professor? Eu explico!Em linhas gerais, um dado estruturado é aquele que está encaixado certinho em uma estrutura, recheado de metadados, que são as informações sobre estes dados. Em um sistema de banco de dados relacional tradicional, como um cadastro de funcionários de uma empresa, nós temos os códigos, nome, telefone, departamento dos funcionários, tudo bonitinho, muito bem estruturado, organizado e preenchido em uma planilha.Os dados não estruturados, por sua vez, são aqueles que precisam de informações para categorizá-los, classificá-los e organizá-los. Imagine a seguinte situação, jovem. No grupo de WhatsApp da família, seu tio envia o áudio de 7 minutos e uma mensagem dizendo "Escutem, é muito bom!" Apenas com isso, você não faz ideia de qual informação está sendo passada. Não há como saber o que aquele áudio solto aborda. Não existe um rótulo no áudio como piada para classificá-lo. Trata-se, portanto, de um dado não estruturado.Multimídia, como vídeos e áudios, são exemplos clássicos de dados não estruturados, porque muitas vezes carecem de informações para categorizá-los e classificá-los. As hashtags, por exemplo, como o hashtag Concurso PRF, são uma forma de tentar classificar e organizar dados não estruturados.Portanto, tendo em que temos uma quantidade absurda de informação sendo produzida e a maior parte são dados não estruturados, é preciso ter uma forma de cuidar disso. E tem o Big Data. Conseguiu entender até aqui? Beleza! Vou dar um tempo para você beber uma água e no em áudio que vem nós continuamos nosso papo sobre Big Data. Beleza? Abraço!

06 - Big Data – Parte 1

Informática EmÁudio: Big Data - Parte 2 Fala meu povo, beleza? No em áudio passado fizemos uma contextualização do Big Data, né? Você se situou direitinho e agora eu vou começar a falar do conceito dessa ferramenta, beleza? Bora lá! O que é Big Data? São tecnologias para a análise de grandes volumes de dados estruturados e não estruturados. Isso é feito por meio do uso de algoritmos estatísticos avançados que fazem, entre outros, análises preditivas e análises de tendências. Na rede social Twitter, por exemplo, temos uma aba que apresenta as tendências, que são os assuntos mais comentados do momento. Esses assuntos são separados em ordem hierárquica, do mais comentado ao menos comentado. Muitos têm dúvidas do porquê um assunto com muitas menções, às vezes, fica abaixo do outro com bem menos menções. Preste atenção no exemplo que eu vou te dar. Primeiro assunto do momento. IAPCDF. 15 mil tweets. Segundo assunto do momento. Direção concursos. 20 mil tweets. Terceiro assunto do momento. PRF. 100 mil tweets. No exemplo hipotético, meramente ilustrativo, os assuntos IAPCDF e direção concursos têm bem menos tweets do que PRF, mas estão acima deste. Isto não é um bug. O que ocorre, na verdade, é que o Twitter consegue entender por meio da velocidade de produção de tweets mencionando esse assunto, se este assunto está crescendo ou declinando. Um assunto novo, por exemplo, tem poucos tweets, ainda porque acabou de entrar em tendência e só tende a crescer, enquanto um assunto antigo já tem muitos comentários, mas está sendo cada vez menos comentado. O Big Data, portanto, tem essa capacidade de entender o que está em tendência. Deu para entender? Agora, jovem, me responde uma perguntinha. O que não é Big Data? Tão importante quanto saber o que é Big Data é saber distingui-lo do que não é. E eu te respondo. Um grande volume de dados por si só não caracteriza um Big Data. A velocidade que os dados são produzidos também é uma característica a ser observada. Imagine a situação: na PRF, vocês têm um banco de dados com todos os motoristas do Brasil e as infrações cometidas por eles. Este banco de dados, por si só, não necessariamente é suficiente para que seja um Big Data, pois isto é somente um grande volume de dados. Se você tem um sistema redondinho, com dados bem organizados e estruturados, isso também não necessariamente é um Big Data, pois este está relacionado também com ter tecnologias capazes de lidar com dados não estruturados. Deu para entender? Beleza! Ainda não acabei de falar sobre o Big Data, mas juro que acabo no próximo em áudio. Te espero lá!

07 - Big Data – Parte 2

Informática EmÁudio: Big Data - Parte 3E aí, jovem! Bora continuar nosso papo sobre Big Data? Calma, tá acabando! Só mais algumas informações, som na caixa.O Big Data possui cinco características intrínsecas. Volume, velocidade, variedade, capacidade e valor, os chamados 5x do Big Data. Grave isso! Jovem, necessariamente, é preciso ter um grande volume de dados. Além disso, é fundamental que a geração, entrada e acumulação de dados aconteça de forma veloz, como nas redes sociais, em que os dados são gerados muito rapidamente. Os dados devem possuir a característica da veracidade, isto é, a capacidade de suportar e processar diversos formatos diferentes de dados, como vídeos, fotos, texto, stories, tweets, posts, publicações, etc. E, além dessas três características, volume, velocidade e variedade, que são consideradas as três principais e mais marcantes, temos também duas outras características, que surgiram anteriormente, relacionadas ao lado mais burocrático, veracidade e valor. A veracidade está ligada a ser verdadeira e íntegra. Além disso, as informações têm que ter valor de forma que agreguem ao sistema. Atenção em mim, jovem! Não é incomum que os examinadores tragam nas questões apenas as características mais marcantes. Isso, por si só, não torna a questão errada, exceto se for feita uma exclusão das demais características. Preste atenção nessa questão que eu vou ler agora. A mineração de dados se caracteriza especialmente pela busca de informações em grandes volumes de dados, tanto estruturados quanto não estruturados, alicerçados no conceito dos quatro Vs, volume de mineração, variedade de algoritmos, velocidade de aprendizado e veracidade dos padrões. E aí, certo ou errado? Já vou falando que está errado.Jovem, primeiramente, a questão já inicia falando em mineração de dados, quando, na verdade, o assunto abordado em seguida é o Big Data. Além disso, ela cita quatro Vs e os relaciona a complementos que não estão correlacionados. Essas quatro características são referentes aos dados e não a mineração, algoritmo, aprendizado e padrões. Os complementos são, então, incoerentes. Os cinco Vs do Big Data estão sempre ligados aos dados. Logo, quando na resolução de questões for abordado o significado e ou conceito destas características, basta que você pegue quaisquer das características e complemente-as com dois dados. Por exemplo, volume dos dados, velocidade dos dados, variedade dos dados, veracidade dos dados, valor dos dados. Deu para entender? Maravilha! Então eu já posso ir embora. Finalizamos o assunto Big Data, mas ainda temos outros assuntos para conversar. Bons estudos e até o próximo em áudio.

08 - Big Data – Parte 3

Informática EmÁudio: Tecnologias - Parte 1Olá, jovem! Tudo bem? Nesse em áudio, vamos aprender um pouquinho sobre as tecnologias. Preparado? Aumenta esse som aí e vamos juntos.As tecnologias de Big Data já foram cobradas em provas de forma introdutória. A partir disso, há a possibilidade dos examinadores quererem se aprofundar um pouco mais. Então, meu amigo, preste bastante atenção a partir de agora, pois abordaremos o NoSQL e o Hadoop, duas das principais tecnologias de Big Data atualmente.Vamos começar no NoSQL, ou Not Only SQL. Em linhas gerais, SQL é uma linguagem na qual se dá comandos para criar, gerenciar ou manipular banco de dados relacionais. O NoSQL, por sua vez, também chamado de Not Only SQL, é um termo que designa tecnologias diferentes de natureza não-relacional, isto é, bancos de dados não-relacionais.Um banco de dados relacional contém um esquema de dados em que é possível estabelecer relações entre eles. Tabelas de uma empresa, por exemplo, nas quais é possível estabelecer relacionamentos, como, por exemplo, tabelas contendo informações sobre funcionários, departamentos, projetos, etc.Diferentemente deste modelo relacional, no NoSQL não há esquema definido. Tranquilo até aqui? Beleza!Jovem, o NoSQL viola as propriedades ACID. As chamadas propriedades ACID, Atomicidade, Consistência, Isolamento e Durabilidade, são pertinentes aos bancos de dados tradicionais, relacionais. Porém, no NoSQL, não há tanta preocupação com essas regras.Imagine a seguinte situação. Acaba de ser lançado o videogame PlayStation 5 e você pretende o adquirir. Ao acessar o site de um grande varejista, você se depara com um alerta. Última unidade disponível. Logo, rapidamente, você, que está situado em São Paulo, clica no botão para comprar e finaliza o seu pedido com sucesso. Porém, ao mesmo tempo, um outro consumidor, que está situado em Rio Branco, Acre, clica no botão para comprar exatamente no mesmo segundo que você e também realiza a compra com sucesso. Três dias depois, você recebe um e-mail informando que o produto que adquiriu está esgotado e que receberá um estorno do pagamento. O site da grande varejista possui servidores espalhados por todo o Brasil num banco de dados distribuído, visando oferecer uma melhor experiência ao usuário. Você, ao acessar o site, está conectado a um banco de dados de São Paulo e o outro consumidor está conectado a um banco de dados de Manaus.Porém, como os bancos de dados da varejista violam as propriedades ACID, as bases não se comunicaram, o que permitiu que duas pessoas realizassem a compra de um produto que só tinha uma unidade disponível. Em um sistema que respeita as propriedades ACID, os bancos de dados seriam capazes de se comunicarem e verificariam, no milésimo de segundo, quem comprou o primeiro e informaria ao outro consumidor, antes mesmo dele finalizar a compra, que o produto esgotou.Pronto para entender? Vamos seguir! No NoSQL segue o chamado teorema CAP, Consistency, Availability and Partition Tolerance. Consistency quer dizer consistência. A consistência determina que deve haver cópias de um mesmo dado em todos os nós do banco de dados. Availability é a disponibilidade. A disponibilidade diz respeito ao sistema estar sempre disponível para a realização de transações. Partition Tolerance quer dizer tolerância a partições. A tolerância a partições é a possibilidade de o sistema continuar operando mesmo em caso de falha. Para tanto, ele deve ser partido em subredes de modo que, se uma delas falhar, as outras continuem funcionando.Jovem, no teorema CAP, a regra é que duas dessas propriedades sempre devem estar funcionando, porém nunca as três ao mesmo tempo. Inclusive, se analisarmos, as três propriedades funcionando ao mesmo tempo conflitam entre si. Por exemplo, em um sistema em que as cópias estão em todos os lugares, Consistency, e ele está sempre disponível, Availability, não há como ser tolerante a partições, pois se uma das partições para de funcionar, automaticamente esta não está mais disponível e as cópias não estão mais em todos os nós.Imagine a situação. O Instagram é uma rede social que possui bancos de dados distribuídos por todo o mundo. O jogador Cristiano Ronaldo, com um dos perfis mais seguidos, quando está na Itália, resolve publicar uma foto. Se esta publicação ficasse somente na Itália para ser entregue para o mundo inteiro, isto poderia acarretar um sobrecarregamento e até mesmo queda do servidor. Haja vista centenas de milhões de pessoas a quem a foto deve ser entregue.Diante disso, quando Cristiano Ronaldo faz uma publicação, isto é replicado para vários servidores localizados em vários lugares diferentes do mundo. Portanto, a Consistency, propriedade que diz que as cópias devem estar em todos os nós, não acontece de imediato. Alguns recebem a foto primeiro do que outros.Portanto, resumindo, no NoSQL, conforme o teorema CAP, conclui-se que os bancos de dados devem ser flexíveis. Jovem, antes de finalizar esse em áudio, preciso falar ainda das propriedades Bayes. As propriedades Bayes, Basically Available, Soft State and Eventually Consistent, que norteiam o NoSQL, dizem que o sistema deve estar basicamente disponível, em um estado leve e com consistência eventual. Logo, a tolerância a falhas de consistência em um banco, que deve funcionar basicamente todo o tempo em um estado leve, estando consistente nos momentos devidos.Os sistemas NoSQL distribuídos pelo mundo inteiro devem ter escalabilidade, horizontal e vertical, disponibilidade, replicação e consistência eventual. A escalabilidade, em linhas gerais, é a capacidade de estar preparado para crescer e suportar uma demanda maior, isto é, quando necessário, melhorar o processamento e ou a quantidade de servidores. A escalabilidade horizontal é a capacidade de alocar mais máquinas. Para memorizar, pense em uma máquina uma do lado da outra, organizadas horizontalmente. A escalabilidade vertical, por sua vez, é a capacidade de transportar um sistema de uma máquina para outra máquina com melhor processamento. Para memorizar, pense em uma máquina acima da outra, em um nível verticalmente superior.Além disso, os sistemas precisam estar disponíveis. A replicação é a capacidade de replicar o que está numa máquina para as demais máquinas. E, por fim, a consistência eventual.Jovem, há flexibilidade quanto a consistência, com tolerância a falhas. Deu para entender? Que bom! Fico por aqui. Até mais!

09 - Tecnologias – Parte 1

Informática EmÁudio: Tecnologias - Parte 2E aí, meu povo, beleza? Vamos continuar nossos estudos sobre as tecnologias. Quero começar esse em áudio falando da implementação do NoSQL. Para implementar o NoSQL, existem algumas tecnologias, como chave-valor, documentos, família de colunas e grafos.Calma, não precisa se desesperar. Vou explicar um por um.Chave-valor. Em uma tabela relacional, tudo é bem separado e organizado, não havendo tolerância quanto às informações a serem preenchidas. Por exemplo, em uma tabela de projetos que contém as colunas Códigos, Setor e Responsável, na coluna Códigos só se aceitam os códigos. Na coluna Setor só se aceitam os nomes dos setores e, na coluna Responsável, só se aceita o nome do responsável. Já no NoSQL, em um modelo baseado na técnica chave-valor, há maior flexibilidade. Logo, as colunas Chave e Valor permitem várias entradas diferentes. Deu para entender até aqui? Vamos seguir. Mas, jovem, embora seja uma bagunça, esta flexibilidade é necessária para o pleno funcionamento do Big Data, pois você nunca sabe qual será a próxima ação de um usuário. Se for um sistema muito travadinho a coisa não anda.Já os documentos são uma forma de armazenamento no NoSQL. Aqui segue o mesmo espírito da técnica que nós acabamos de conversar, havendo flexibilidade para a entrada de dados. Cada novo registro aceita campos diferentes. Entendido documentos? Vamos em frente.Hora de falar da família de colunas. Família de quê, professor? Família de colunas, jovem! Em um banco de dados, há vários registros e dados atribuídos às colunas. Nas famílias de colunas, é permitido ter colunas principais e colunas adicionais, voltadas ao funcionamento do sistema. Por exemplo, uma tabela pode ser como colunas principais o produto e o tamanho e como colunas adicionais a tela e o tipo de produto. Deu para entender?Além disso, existem sistemas que permitem também puxar dados de várias colunas de uma vez.Já os grafos são uma estrutura de armazenagem de dados. O exemplo mais clássico das redes sociais são as relações feitas entre as pessoas. Fulano segue Veltrano, que segue Ciclano, etc. Para armazenamento, como os dois exemplos acima, geralmente utilizam-se os grafos.Tranquilo, né? Mas calma aí, ainda não acabei. Vá lá beber uma água, se alongar, que já já eu volto para continuar nossos estudos sobre as tecnologias. Abraços!

10 - Tecnologias – Parte 2

Informática EmÁudio: Tecnologias - Parte 3Bom dia! Boa tarde! Boa noite! Beleza, meu povo?Lembra que eu falei que existiam duas principais tecnologias de Big Data atualmente? Já aprendemos sobre a NoSQL. Hora de falar sobre o Hadoop.O Hadoop é uma plataforma para desenvolvimento de soluções voltadas para Big Data. Nesta plataforma, é possível criar uma estrutura para armazenamento e processamento de sistemas com Big Data. Para desenvolver essas soluções, é preciso ter escalabilidade, horizontal, processamento paralelo, possibilidade de espalhar o poder de processamento, confiabilidade, flexibilidade, um sistema flexível, e baixo custo. Se custar uma fortuna, pode ser inviável economicamente.No Hadoop, utilizam-se vários módulos, mas os principais são o HDFS, Hadoop File System, e o MapReduce. O HDFS é um sistema de armazenamento de arquivos voltado para os sistemas distribuídos por todo o mundo. Sim, é um sistema de armazenamento tipo NTFS e FAT32. Ele foi originado no Google File System e tem como principal premissa atender aos três Vs principais do Big Data, volume, velocidade e variedade.O principal foco do HDFS reside no armazenamento distribuído de arquivos muito grandes. Por exemplo, um vídeo de uma hora, filmado em resolução 4K, possui um tamanho gigantesco. Logo, é desejável que o armazenamento seja feito de forma distribuída, espalhando pedaços de arquivos para vários servidores, pois assim o processamento ocorre de forma mais celere. O HDFS possui escalabilidade e tolerância a falhas. Diante disso, é preciso ter redundância de arquivos para, caso um servidor venha a falhar, seja possível fazer a reconstituição. Ele tem como parâmetro a regra WORM, Write Once, Read Many, que dita que um dado deve ser escrito uma única vez, Write Once, sem poder ser modificado, e lido várias vezes, Read Many. Por exemplo, quando Cristiano Ronaldo posta uma foto, ele não consegue modificar ela, Write Once, porém ela é visualizada por milhões de pessoas, Read Many. Deu para entender?Já o MapReduce é uma aplicação que trabalha em cima do HDFS para conseguir oferecer um processamento paralelo em um ambiente distribuído. Parte da premissa é que, se os dados estão distribuídos em vários lugares pelo mundo, é preciso ter uma forma de organizá-los posteriormente. Portanto, é preciso um sistema lógico, organizado e estruturado para que a coisa funcione. Para tanto, o MapReduce trabalha com o agrupamento por chave valor e transformação de dados maiores em dados menores, fazendo um mapeamento das informações de forma descentralizada e espalhada.Imagine a seguinte situação. Em uma rede social, desejam descobrir a quantidade de vezes que as palavras dog, cat, mouse e duck foram mencionadas. Primeiramente, as palavras são separadas por região de onde vieram, como América, África e Ásia, e realiza-se uma contagem separadamente em cada região. Em seguida, após a contagem regionalizada, as palavras são ordenadas por grupo. Junta todas as palavras cat em um grupo, todas as palavras dog em um grupo, etc. E depois são reduzidas. Ao invés de dog, dog, dog, reduz-se para dog3. Assunto entendido?Maravilha! Encerramos o nosso sexto módulo de informática por aqui. Espero que você tenha gostado e aprendido!

11 - Tecnologias – Parte 3

Informática EmÁudio: Resumão sobre Inteligência Artificial e Big Data - Parte 1Fala, meu povo! Bora fazer um resumão sobre tudo o que foi visto nesse módulo? Beleza! Aumenta esse som aí e cola em mim!Vamos começar nossa revisão falando da Inteligência Artificial. Lembra dela? A Inteligência Artificial, ou computacional, envolve técnicas e métodos que têm como ambição desenvolver máquinas capazes de se comportarem ou trabalharem de forma tão inteligente quanto o ser humano. Jovem, à medida que a tecnologia foi avançando, tivemos desdobramentos e surgiram vários ramos da Inteligência Artificial, como o Machine Learning e o Deep Learning.Aprendizado de máquina, ou em inglês Machine Learning, é definido como um sistema que busca realizar determinada tarefa de forma cada vez melhor, aprendendo a partir da experiência, buscando uma melhor performance. Além desse conceito, você precisa ter em mente os tipos de aprendizado. São três: Aprendizado supervisionado, aprendizado não supervisionado e aprendizado por reforço.Supervisionado é aquele que ocorre sob a supervisão humana, que determina os parâmetros de entrada. No não supervisionado, o próprio sistema descobre as variáveis para chegar à informação desejada, sem intervenção humana. E no por reforço, o sistema age por si só na busca das variáveis desejadas, recebendo inputs externos para lhe guiar acerca de sucessos e fracassos.Ah, ainda tem o Deep Learning. Em inglês quer dizer aprendizado profundo, que busca emular redes neurais artificiais. Em outras palavras, objetiva literalmente programar cérebros. Visando imitar o procedimento humano, o aprendizado acontece em camadas. Lembrou da Inteligência Artificial?Bora revisar o Big Data? Bora lá! Jovens são tecnologias para análise de grandes volumes de dados estruturados e não estruturados. Para tanto, utilizam-se algoritmos estatísticos avançados que fazem, entre outros, análises preventivas e análises de tendências. O Big Data possui cinco características intrínsecas, as chamadas 5Vs do Big Data: Volume, velocidade, variedade, veracidade e valor. Os chamados cinco Vs do Big Data. Grave isso! É preciso ter um grande volume de dados, jovem. Além disso, a geração, entrada e acumulação de dados deve acontecer de forma veloz. E o sistema precisa ser capaz de suportar e processar diversos formatos diferentes de dados. É aí que está a variedade. Também, jovem, a informação deve ser verdadeira e íntegra. Aqui temos a veracidade. E os dados devem agregar ao sistema, é o valor.Assunto revisado até aqui? Maravilha! Áudio que vem tem mais resumão. Fica comigo!

12 - Resumão sobre Inteligência Artificial e Big Data – Parte 1

Informática EmÁudio: Resumão sobre Inteligência Artificial e Big Data - Parte 2E aí, jovem, beleza? Hora de revisar as técnicas de Big Data. Então, meu amigo, preste bastante atenção a partir de agora, pois revisaremos o NoSQL e o Hadoop, duas das principais tecnologias de Big Data atualmente.NoSQL é um termo que designa tecnologias de bancos de dados não relacionais, que não conseguem um esquema definido. Logo, não respeita as chamadas propriedades ACID, Atomicidade, Consistência, Isolamento e Durabilidade, ao passo que segue as propriedades BASE, que dizem que um sistema deve estar basicamente disponível, em um estado leve e com consistência eventual. Além disso, o NoSQL respeita também o teorema CAP, que traz as regras de consistência, disponibilidade e tolerância a partições.Contudo, a regra é que duas dessas propriedades devem estar funcionando, porém nunca as três ao mesmo tempo, pois conflitam entre si. Os sistemas de NoSQL distribuídos devem ter escalabilidade horizontal e vertical, possibilidade de crescimento quando necessário, seja em quantidade de máquinas, horizontal ou processamento vertical, disponibilidade, replicação, capacidade de replicar algo para outras máquinas, e consistência eventual, havendo tolerância a falhas.Para sua implementação, existem algumas tecnologias, como chave-valor, documentos, família de colunas e grafos.Calma, não precisa se desesperar, vou explicar um por um. Chave-valor. Em uma tabela relacional, tudo é bem separado e organizado, não havendo tolerância quanto às informações a serem preenchidas. Por exemplo, em uma tabela de projetos que contém as colunas Códigos, Setor e Responsável, na coluna Códigos só se aceitam os códigos, na coluna Setor só se aceitam os nomes dos setores, e na coluna Responsável só se aceita o nome do responsável. Já no NoSQL, em um modelo baseado na técnica chave-valor, há maior flexibilidade. Logo, as colunas Chave e Valor permitem várias entradas diferentes. Lembrou? Vamos seguir.Mas, jovem, embora seja uma bagunça, esta flexibilidade é necessária para o pleno funcionamento do Big Data, pois você nunca sabe qual será a próxima ação de um usuário. Se for um sistema muito travadinho, a coisa não anda.Já os documentos são uma forma de armazenamento no NoSQL. Aqui, segue o mesmo espírito da técnica que nós acabamos de conversar, havendo flexibilidade para a entrada de dados. Cada novo registro aceita campos diferentes.Revisado os documentos? Vamos em frente.Hora de falar da família de colunas. Família de que, professor? Família de coluna, jovem. Lembra dela? Em um banco de dados, há vários registros e dados atribuídos às colunas. Nas famílias de colunas, é permitido ter colunas principais e colunas adicionais, voltadas ao funcionamento do sistema. Por exemplo, uma tabela pode ser como colunas principais o produto e o tamanho, e como colunas adicionais, a tela e o tipo de produto.Deu para entender? Além disso, existem sistemas que permitem também puxar dados de várias colunas de uma vez.Já os grafos são uma estrutura de armazenagem de dados. O exemplo mais clássico das redes sociais são as relações feitas entre as pessoas. Fulano segue Beltrano, que segue Ciclano, etc. Para armazenamentos como os do exemplo acima, geralmente utilizam-se os grafos. Tranquilo, né?Por fim, vamos revisar o Hadoop. O Hadoop é uma plataforma para desenvolvimento de soluções voltadas para Big Data. Nesta plataforma, é possível criar uma estrutura para armazenamento e processamento de sistemas com Big Data. Para desenvolver essas soluções, é preciso ter escalabilidade, horizontal, processamento paralelo, possibilidade de espalhar o poder de processamento, confiabilidade, flexibilidade, um sistema flexível, e baixo custo. Se custar uma fortuna, pode ser inviável economicamente. Entre os módulos utilizados, destacam-se dois, HDFS, Hadoop File System e MapReduce.O HDFS é um sistema de armazenamento distribuído de arquivos muito grandes. Sua principal premissa é atender aos três Vs principais do Big Data. Nele, a escalabilidade e tolerância a falhas. Além disso, segue a regra WORM, Write Once, Read Many, que dita que um dado deve ser escrito uma única vez, Write Once, sem poder ser modificado, e lido várias vezes, Read Many.O MapReduce, por sua vez, é uma aplicação que trabalha em cima do HDFS para conseguir oferecer um processamento paralelo em um ambiente distribuído. Para tanto, trabalha com o agrupamento por chave-valor e transformação de dados maiores em dados menores, fazendo o mapeamento das informações de forma descentralizada e espalhada.Beleza, jovem? Assunto revisado, entendido e fixado? Maravilha! Finalizamos aqui mais um módulo do nosso curso de Informática em áudio. Obrigado pela companhia! Bons estudos! Abraços!

13 - Resumão sobre Inteligência Artificial e Big Data – Parte 2

Banco do Brasil: TecnologiaMÓDULO 06Inteligência Artificial e Big DataBanco do Brasil

Banco do Brasil