Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial_Finalizado

Prévia do material em texto

JOSÉ DE SOUSA MAGALHÃES
E D I T O R A
Arquiteturas Disruptivas, 
IOT, Big Data e 
Inteligência Artificial
E D I T O R A
1º EDIÇÃO - 2022 | SÃO PAULO/ SP
ARQUITETURAS 
DISRUPTIVAS, IOT, BIG DATA 
E INTELIGÊNCIA ARTIFICIAL
JOSÉ DE SOUSA MAGALHÃES
ARQUITETURAS DISRUPTIVAS, IOT, 
BIG DATA E INTELIGÊNCIA ARTIFICIAL
EXPEDIENTE
COORDENAÇÃO GERAL
Nelson Boni
COORDENAÇÃO DE 
REVISÃO ORTOGRÁFICA
Esthela Malacrida
AUTOR(ES)
José de Sousa Magalhães
COORDENAÇÃO, 
PROJETO GRÁFICO E CAPA
João Guedes
1º EDIÇÃO - 2022 | SÃO PAULO/ SP
Ficha Catalográfica/ ISBN
CATALOGAÇÃO ELABORADA POR GLAUCY DOS SANTOS SILVA - CRB8/6353
E D I T O R A
 📝Apresentação
Prezado Aluno,
Muito tem se discutido sobre arquiteturas disrup-tivas e como elas já estão impactando o mundo em que vivemos. Ao longo da história, a tecnolo-
gia bem como as inovações tecnológicas vem traçando um 
caminho de mudanças e transformações que ocorrem me-
diante a demanda humana.
Um termo que podemos destacar nesse contexto é o da 
Internet das Coisas, comumente abreviada como IoT, que se 
refere à conexão de dispositivos (além da tarifa típica, como 
computadores e smartphones) à Internet. Carros, utensílios 
de cozinha e até monitores cardíacos podem ser conectados 
através da IoT. E à medida que a Internet das Coisas crescer 
nos próximos anos, mais dispositivos se juntarão a essa lista.
Já o termo big data refere-se a conjuntos de dados estru-
turados e não estruturados complexos maciços que são rapi-
damente gerados e transmitidos a partir de uma grande va-
riedade de fontes. Hoje em dia, os dados são constantemente 
gerados sempre que abrimos um aplicativo, pesquisamos no 
Google ou simplesmente viajamos de lugar para colocar com 
nossos dispositivos móveis. O resultado? Coleções maciças de 
informações valiosas que empresas e organizações precisam 
para gerenciar, armazenar, visualizar e analisar.
O artigo de Turing “Máquinas de Computação e Inte-
ligência” (1950), e seu subsequente Teste de Turing, esta-
beleceram o objetivo fundamental e a visão da inteligên-
cia artificial. Em sua essência, a IA é o ramo da ciência da 
computação que visa responder à pergunta de Turing na 
afirmativa. É o esforço para replicar ou simular inteligên-
cia humana em máquinas.
Nesta a obra abordaremos alguns conteúdos relaciona-
dos a todas as tecnologias mencionadas acima, desse modo, 
discutiremos de maneira teórica e prática a história, fun-
cionamento, vantagens e desvantagens das mesmas, bem 
como discutiremos como montar uma equipe e estrutura 
que aborde essas ferramentas.
Bons estudos!
	� SUMÁRIO:
UNIDADE 1: 
TRANSFORMAÇÃO DIGITAL NO MUNDO CONTEMPORÂNEO �����1-1
CAPÍTULO 1: 
PADRÕES DE DESENVOLVIMENTO DE NOVAS 
TECNOLOGIAS E TRANSFORMAÇÃO DIGITAL ������������������������� 1-2
EXERCÍCIOS PROPOSTOS ������������������������������������������������� 1-17
CAPÍTULO 2: 
CICLO DE VIDA DE IMPLEMENTAÇÃO DE NOVAS TECNOLOGIAS ��� 2-1
EXERCÍCIOS PROPOSTOS ������������������������������������������������� 2-21
UNIDADE 2: 
FUNDAMENTOS DA INTERNET DAS COISAS (IoT) �����������������3-1
CAPÍTULO 3: 
IoT: CONCEITOS E APLICABILIDADE ����������������������������������� 3-2
EXERCÍCIOS PROPOSTOS ������������������������������������������������� 3-14
CAPÍTULO 4: 
DETALHAMENTO TÉCNICO SOBRE INTERNET DAS COISAS ��������� 4-1
EXERCÍCIOS PROPOSTOS ������������������������������������������������� 4-14
UNIDADE 3: 
FUNDAMENTOS DA ARQUITETURA DE 
COMPUTAÇÃO EM NUVEM �������������������������������������������5-1
CAPÍTULO 5: 
FUNDAMENTOS TEÓRICOS DOS SERVIÇOS EM NUVEM ������������� 5-2
EXERCÍCIOS PROPOSTOS ������������������������������������������������� 5-21
CAPÍTULO 6: 
NOÇÕES PRÁTICAS BÁSICAS DE SERVIÇOS EM NUVEM ������������ 6-1
EXERCÍCIOS PROPOSTOS ������������������������������������������������� 6-14
UNIDADE 4: 
FUNDAMENTOS DE BIG DATA ����������������������������������������7-1
CAPÍTULO 7: 
CONCEITOS E DEFINIÇÕES DE BIG DATA ������������������������������ 7-2
EXERCÍCIOS PROPOSTOS ������������������������������������������������� 7-15
CAPÍTULO 8: 
FUNCIONAMENTO E APLICABILIDADE DA BIG DATA ����������������� 8-1
EXERCÍCIOS PROPOSTOS ������������������������������������������������� 8-12
UNIDADE 5: 
FUNDAMENTOS DE INTELIGÊNCIA ARTIFICIAL ��������������������9-1
CAPÍTULO 9: 
CONCEITOS E DEFINIÇÕES DE INTELIGÊNCIA ARTIFICIAL ���������� 9-2
EXERCÍCIOS PROPOSTOS ������������������������������������������������� 9-12
CAPÍTULO 10: 
APLICABILIDADE E EXEMPLOS DA INTELIGÊNCIA ARTIFICIAL ��� 10-1
EXERCÍCIOS PROPOSTOS ������������������������������������������������ 10-15
UNIDADE 6: 
GERENCIAMENTO DE ESTRUTURAS TECNOLÓGICAS ����������� 11-1
CAPÍTULO 11: 
GERENCIAMENTO DE UMA ESTRUTURA DE 
DATA SCIENCE E BIG DATA ������������������������������������������� 11-2
EXERCÍCIOS PROPOSTOS ������������������������������������������������ 11-14
CAPÍTULO 12: 
GERENCIAMENTO DE UMA ESTRUTURA DE 
INTELIGÊNCIA ARTIFICIAL �������������������������������������������� 12-1
EXERCÍCIOS PROPOSTOS ������������������������������������������������ 12-10
REFERÊNCIAS ��������������������������������������������������������� 13-1
GABARITO ������������������������������������������������������������� 14-1
DISCIPLINA:
UNIDADE 1: 
TRANSFORMAÇÃO DIGITAL NO 
MUNDO CONTEMPORÂNEO
Caro(a) Aluno(a)
Seja bem-vindo(a)!
Nesta primeira unidade, daremos orientações acerca das transformações 
digitais que levaram ao desenvolvimento de tecnologias modernas, como 
as abordadas nesta obra.
Conteúdos da Unidade
Neste capítulo, iremos conhecer um pouco sobre o processo de 
desenvolvimento de novas tecnologias, bem como o ciclo de vida de 
implementação de novas tecnologias.
 9 Padrões de Desenvolvimento de Novas Tecnologias e Transformação 
Digital;
 9 Ciclo de Vida de Implementação de Novas Tecnologias.
Acompanhe os conteúdos desta unidade. Se preferir, vá assinalando os 
assuntos, à medida que for estudando.
Bons estudos!!!
Arquiteturas Disruptivas, 
IOT, Big Data e 
Inteligência Artificial
DISCIPLINA:
Arquiteturas Disruptivas, 
IOT, Big Data e 
Inteligência Artificial
CAPÍTULO 1: 
PADRÕES DE DESENVOLVIMENTO 
DE NOVAS TECNOLOGIAS E 
TRANSFORMAÇÃO DIGITAL
1-3
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
PA
D
R
Õ
ES
 D
E 
D
ES
EN
V
O
LV
IM
EN
TO
 D
E 
N
O
VA
S
 T
EC
N
O
LO
G
IA
S
 E
 T
R
A
N
S
FO
R
M
A
Ç
Ã
O
 D
IG
IT
A
L
1
1�1 FUNDAMENTOS
Tendo uma certa especificidade, as tecnologias digitais pas-
sam por um ciclo de vida, obedecendo a lógica geral de mudança 
de plataformas tecnológicas. Esses padrões foram estudados em 
detalhes suficientes em relação aos processos de desenvolvimento 
de tecnologia na era pré-digital e podem ser usados para descrever 
a dinâmica das tecnologias digitais modernas e os processos de ne-
gócios que elas definem.
1�2 Transformações Digitais Contemporâneas
Falando sobre as leis gerais do desenvolvimento das tecno-
logias digitais, podem-se dar vários exemplos de manifestação das 
leis da dialética nesse desenvolvimento (transição da quanti-
dade em qualidade, negação da negação, unidade e luta 
dos opostos).
A transição da quantidade para a qualidade pode ser ilustra-
da pelo exemplo de como um aumento no crescimento do poder 
de computação de um computador leva a capacidades qualitativa-
mente novas. Em particular, tarefas que antes eram consideradas 
prerrogativas do intelecto humano (como jogar xadrez ou go) 
acabaram, em determinado momento, disponíveis para serem re-
solvidas pelo intelecto da máquina. O crescimento da largura de 
banda da rede móvel leva a uma mudança geracional de telefones 
com capacidades qualitativamente novas (transmissão de tex-
to, transmissão multimídia), etc. O crescimento da resolução 
da tela da TV leva a necessidade de tecnologias de entrega qualita-
tivamente novas de vídeo pela rede e assim por diante.
1-4
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
PA
D
R
Õ
ES
 D
E 
D
ES
EN
V
O
LVIM
EN
TO
 D
E 
N
O
VA
S
 T
EC
N
O
LO
G
IA
S
 E
 T
R
A
N
S
FO
R
M
A
Ç
Ã
O
 D
IG
IT
A
L
1
A manifestação da lei da negação da negação pode ser des-
crita como os semicondutores, que surgiram nos primórdios da 
tecnologia de rádio na forma de detectores de cristal, foram substi-
tuídos por válvulas eletrônicas de vácuo (a primeira negação), 
posteriormente o desenvolvimento da tecnologia devolveu os se-
micondutores, tornando-os os principais elementos do rádio e do 
computador tecnologia (negação de negação). A arquitetura de 
mainframes e terminais de E/S em rede foi substituída por compu-
tadores pessoais individuais (não em rede), com o tempo, surgiu 
a arquitetura cliente-servidor, que, por sua vez, passou a ser subs-
tituída por uma arquitetura em nuvem, onde se concentra o poder 
computacional na nuvem, e os dados podem ser enviados para o 
terminal cliente “fino”. Novamente, há uma negação da negação. 
A manifestação da lei da unidade e a luta dos contrários podem 
ser observadas em todos os níveis de competição entre empresas 
produtoras de tecnologias digitais, bem como no exemplo da co-
existência de tendências opostas na lógica do desenvolvimento 
das tecnologias digitais. A luta dos opostos está no próprio termo 
“transformação”. O termo “destruição criativa”, proposto por 
Joseph Schumpeter em 1942, sugere que o próprio fenômeno da 
“inovação” contém uma oposição, pois qualquer inovação destrói 
a solução já utilizada.
Falando em inovações digitais, há mais de uma contradição. 
Por um lado, as tecnologias digitais visam aumentar o papel de 
uma pessoa, revelando seu potencial criativo, por outro lado, re-
duzir o “fator humano”, reduzir o papel de uma pessoa na tomada 
de decisões de negócios através do uso de inteligência artificial. Por 
um lado, as tecnologias digitais simplificam o trabalho humano au-
tomatizando processos não criativos; por outro, condenam repre-
sentantes de várias profissões a perderem seus empregos. 
1-5
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
PA
D
R
Õ
ES
 D
E 
D
ES
EN
V
O
LV
IM
EN
TO
 D
E 
N
O
VA
S
 T
EC
N
O
LO
G
IA
S
 E
 T
R
A
N
S
FO
R
M
A
Ç
Ã
O
 D
IG
IT
A
L
1
Por um lado, as tecnologias digitais criam desafios em ter-
mos de segurança, por outro, a superação de vulnerabilidades em 
sistemas digitais os torna cada vez mais resistentes a ataques. 
Por um lado, as tecnologias digitais tendem a tornar o tempo 
de lazer de uma pessoa cada vez mais interessante, por outro lado, 
uma pessoa gasta cada vez mais tempo consumindo conteúdo de 
massa de baixa qualidade.
1�3 Inovações Preservadoras e Disruptivas
Há muitos exemplos em que as inovações levaram a uma re-
distribuição significativa do mercado. Na década de 1980, a IBM 
tinha uma excelente posição de mercado no setor de computado-
res pessoais. No entanto, a Microsoft pouco conhecida apareceu de 
repente e, ao oferecer sistemas operacionais DOS e Windows, do-
minou o mercado de sistemas operacionais para PC na década de 
1990. Com o mercado de smartphones, a história se repetiu. A in-
trodução do iPhone da Apple eliminou a líder de longo prazo Nokia 
do mercado. E o sistema operacional Android para smartphones 
assumiu uma posição de liderança no mercado, impedindo a Mi-
crosoft de ficar com mais de três por cento de participação.
Obviamente, nem todas as tecnologias têm o mesmo efeito 
sobre as mudanças nos negócios. Algumas inovações são mais bem 
sucedidas do que outras. Continuando a conversa sobre a lógica 
do desenvolvimento tecnológico e seu impacto nos negócios das 
empresas que produzem esses bens e serviços, devemos nos voltar 
para a teoria das tecnologias disruptivas.
As estatísticas mostram que a maioria dos novos produtos 
que as empresas trazem para o mercado falham. O mercado não 
está pronto para aceitar algumas das inovações. Muitas vezes, os 
1-6
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
PA
D
R
Õ
ES
 D
E 
D
ES
EN
V
O
LV
IM
EN
TO
 D
E 
N
O
VA
S
 T
EC
N
O
LO
G
IA
S
 E
 T
R
A
N
S
FO
R
M
A
Ç
Ã
O
 D
IG
IT
A
L
1
implementadores se deparam com uma situação em que seus pro-
dutos de alta qualidade são muito caros ou inconvenientes de usar. 
Em outros casos, as inovações estimulam os compradores a adqui-
rir bens em função de novas propriedades, mesmo em detrimen-
to de sua menor produtividade. Por exemplo, os proprietários de 
telefones celulares param de comprar câmeras digitais, apesar do 
fato de a câmera de um telefone celular, como regra, não fornecer 
a mesma qualidade de fotos que uma câmera. Os consumidores de 
eletrônicos estão se afastando de scanners e impressoras domés-
ticos, tirando fotos de documentos com seus smartphones, porque 
é mais conveniente para eles armazenar e enviar informações, e o 
nível de qualidade da imagem geralmente não é significativo.
O termo “inovações disruptivas” foi introduzido pela primei-
ra vez pelo cientista americano Clayton M. Christensen em 1995. A 
essência de sua teoria é ilustrada na Figura 1-1. A linha pontilha-
da na figura mostra o nível de desempenho do produto aceitável 
para os clientes. A seta de cima reflete a trajetória de inovações 
sustentáveis – inovações que melhoram o produto atual por meio 
de melhorias sucessivas, e esse produto é promovido em um mer-
cado moldado por empresas estabelecidas.
A seta inferior reflete o desenvolvimento da “inova-
ção disruptiva”.
Inovações disruptivas são inovações que criam novo valor em 
um produto que é tão significativo que força os clientes a mudar para 
um novo produto ou serviço, mesmo com perda de qualidade. Ino-
vações disruptivas estão eliminando produtos baseados em tecno-
logias antigas porque os parâmetros que antes competiam não são 
mais relevantes. O surgimento de inovações disruptivas geralmente 
está associado a investimentos mais arriscados, quando a reação do 
consumidor a uma nova proposta não é conhecida antecipadamente, 
1-7
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
PA
D
R
Õ
ES
 D
E 
D
ES
EN
V
O
LV
IM
EN
TO
 D
E 
N
O
VA
S
 T
EC
N
O
LO
G
IA
S
 E
 T
R
A
N
S
FO
R
M
A
Ç
Ã
O
 D
IG
IT
A
L
1
o que pode levar à criação de um novo mercado ou de um novo pa-
drão de consumo, ou pode ser rejeitado pelos consumidores.
Figura 1-1: Modelo de inovação disruptiva
Fonte: Próprio autor / Claytom M. Christensen [adaptado]
Muitos autores tentaram desenvolver e complementar o concei-
to de inovação disruptiva. Assim, por exemplo, Jim Kalbach diz que 
na teoria das inovações disruptivas o papel das inovações sequenciais 
é subestimado, enquanto sua acumulação gradual pode levar a mu-
danças qualitativas significativas, e oferece sua visão da relação entre 
consistente e inovações disruptivas inovação (Figura 1-2). Na Figu-
ra 1-2, o eixo y representa o grau de progresso técnico que a inovação 
traz à medida que desenvolve e melhora as capacidades dos produtos 
relacionados, e a abscissa mostra o impacto da inovação no mercado.
A inovação incremental (à medida que a tecnologia ama-
durece) pode levar a mudanças qualitativas revolucionárias. Ao mes-
mo tempo, as tecnologias disruptivas têm um impacto significativo 
1-8
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
PA
D
R
Õ
ES
 D
E 
D
ES
EN
V
O
LV
IM
EN
TO
 D
E 
N
O
VA
S
 T
EC
N
O
LO
G
IA
S
 E
 T
R
A
N
S
FO
R
M
A
Ç
Ã
O
 D
IG
IT
A
L
1
no mercado já em estágio inicial de desenvolvimento e, à medida que 
avançam, levam a novas regras do jogo no mercado e à substituição 
dos próprios jogadores. Então, por exemplo, em outras palavras, o 
computador pessoal era uma tecnologia disruptiva para o mainframe, 
digital para fita, iTunes para distribuidores de CD e assim por diante.
Seguindo essa lógica, podemos dizer que o Microsoft Office 
2007 é um salto de desempenho em relação ao Microsoft Office há 
cinco anos, mas é o resultado de um desenvolvimento evolutivo 
sem “interrupção”. Embora o surgimento de um modelo de en-trega de escritório baseado em nuvem pareça ser uma tecnologia 
disruptiva, a mudança da Microsoft para o Office 365 baseado em 
nuvem é uma resposta à ameaça de inovação disruptiva e uma ma-
neira de competir com aplicativos como o Google Docs.
Figura 1-2: Proporção de sucessivas inovações disruptivas
Fonte: Próprio autor / Jim Kalbach [adaptado]
1-9
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
PA
D
R
Õ
ES
 D
E 
D
ES
EN
V
O
LV
IM
EN
TO
 D
E 
N
O
VA
S
 T
EC
N
O
LO
G
IA
S
 E
 T
R
A
N
S
FO
R
M
A
Ç
Ã
O
 D
IG
IT
A
L
1
Os inovadores usam as plataformas digitais para substituir 
os esquemas de negócios existentes por outros mais rentáveis, com 
comunicações mais convenientes com o cliente, proporcionar uma 
abordagem mais diferenciada ao usuário e, assim, romper o rela-
cionamento com fornecedores tradicionais. Por exemplo, o uso de 
análises de big data pode identificar pontos fracos em modelos de 
negócios existentes, desenvolver soluções que podem ser usadas 
para otimizar a aquisição e retenção de clientes, previsão de churn, 
venda cruzada e otimização de campanhas de marketing. Também 
permitem encontrar novas oportunidades para rentabilizar produ-
tos, serviços, públicos, canais, parceiros, etc.
Os autores de “Uma estrutura de disrupção” (2018) tam-
bém deram sua contribuição para o desenvolvimento do concei-
to de inovações disruptivas, que descreveram diferentes cenários 
para a entrada de inovadores no mercado, inclusive de indústrias 
afins. A Figura 1-3 mostra um diagrama simplificado de possíveis 
cenários de entrada para players que oferecem uma nova tecno-
logia disruptiva, de acordo com Kikkia (2018) e outros. Abaixo 
da curva estão os potenciais compradores de produtos ou serviços 
oferecidos pelos quatro players atuais (S1-S4). Esses players pro-
duzem produtos de qualidade variada e ocupam fatias de mercado 
correspondentes em alguns setores. A figura também mostra três 
tipos de estratégias para introduzir novos players desafiadores no 
mercado. A estratégia T1 é uma intrusão de um player com um 
produto barato atendendo clientes menos exigentes e penetrando 
no mercado à medida que a qualidade do produto melhora.
1-10
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
PA
D
R
Õ
ES
 D
E 
D
ES
EN
V
O
LV
IM
EN
TO
 D
E 
N
O
VA
S
 T
EC
N
O
LO
G
IA
S
 E
 T
R
A
N
S
FO
R
M
A
Ç
Ã
O
 D
IG
IT
A
L
1
Figura 1-3: Estratégias e reações de entrada no 
mercado dos inovadores jogadores atuais
Fonte: Próprio autor
A estratégia T2 reflete o surgimento de um player com um 
produto de alta qualidade, que pode estar em demanda de clientes 
“avançados”. À medida que o produto é otimizado e seu preço é 
reduzido, o player da estratégia T2 pode capturar uma parte do 
mercado em consideração.
Ameaças sérias para os operadores históricos podem surgir 
quando o inovador disruptivo vem de uma indústria adjacente em 
expansão (ameaça T3).
A Figura 1-3 também mostra as reações típicas dos joga-
dores atuantes. É possível que a ameaça T1 motive alguns players 
tradicionais a subir na escala de qualidade do produto (estraté-
gia S1), talvez até perdendo participação de mercado. Se um con-
corrente forte entra no mercado com um produto de alta quali-
dade (T2), os players tradicionais podem perder participação de 
1-11
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
PA
D
R
Õ
ES
 D
E 
D
ES
EN
V
O
LV
IM
EN
TO
 D
E 
N
O
VA
S
 T
EC
N
O
LO
G
IA
S
 E
 T
R
A
N
S
FO
R
M
A
Ç
Ã
O
 D
IG
IT
A
L
1
mercado, movendo-se para custos, variedade ou qualidade de pro-
dutos mais baixos (S2). Alguns players vão falir e sair do negócio 
(S3), alguém vai iniciar uma transição parcial para outra indústria 
(S4), dominando novos serviços em setores de mercado relaciona-
dos e diversificando seus negócios.
O que está faltando na Figura 1-3 é uma estratégia para um 
player estabelecido possivelmente comprar um concorrente para 
adicionar os recursos de uma nova tecnologia ao seu próprio pro-
duto ou obter um novo serviço sob gestão. Essas possibilidades são 
consideradas em Kikkia (2018) e outros, que analisa as estratégias 
para combater os players incumbentes para minar as inovações.
1�4 Inovação Disruptiva e Estratégia de Resposta
A escala de destruição do negócio de um player tradicional 
nem sempre é de cem por cento Rogers (2011). Para os jogadores 
que desenvolvem uma estratégia para combater a inovação disrup-
tiva, é importante antecipar a escala da ameaça. Há momentos em 
que um inovador leva tudo, mas muitas vezes ele consegue atrair 
apenas alguns segmentos de usuários para os quais a inovação é 
de importância decisiva. De fato, câmeras de filme, cassetes de 
áudio e cassetes de vídeo deixaram completamente o mercado, 
dando lugar às câmeras digitais, mas a situação é diferente com os 
livros. Apesar do fato de que muitos compradores mudaram para 
e-books, as pessoas que costumam escolher livros como presen-
tes ainda preferem livros em papel a e-books. Ainda há adeptos da 
“leitura tradicional”, de modo que o mercado de livros em papel 
diminuiu, mas não desapareceu completamente e existirá por um 
certo tempo. A situação é semelhante com o mercado de relógios 
de pulso - relógios mecânicos, especialmente na classe de luxo, 
1-12
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
PA
D
R
Õ
ES
 D
E 
D
ES
EN
V
O
LV
IM
EN
TO
 D
E 
N
O
VA
S
 T
EC
N
O
LO
G
IA
S
 E
 T
R
A
N
S
FO
R
M
A
Ç
Ã
O
 D
IG
IT
A
L
1
mantêm seus adeptos. Há até exemplos de tecnologia voltando ao 
mercado, como o interesse renovado pelo vinil.
Para analisar o grau de ameaça aos players tradicionais, é 
necessário analisar o negócio do inovador em relação às ofertas 
existentes e entender qual é a singularidade do produto do ino-
vador, como seu modelo de negócio difere, o que permite ao re-
querente criar este produto, entregar para o comprador e obter 
lucro (um recurso exclusivo para gerenciar dados corpo-
rativos, certas habilidades e competências dos funcioná-
rios, canal de distribuição, métodos de marketing etc.). 
A ameaça pode ser a perda de clientes ou, em alguns casos, o ino-
vador disruptivo pode atrapalhar os negócios do player tradicio-
nal roubando seus funcionários. Ao desenvolver uma estratégia 
de defesa de negócios, também é importante entender quais dos 
players tradicionais estão ameaçados pela inovação e se os players 
existentes podem unir forças na luta contra um concorrente por 
sua participação de mercado. Por exemplo, empresas OTT como 
WhatsApp, WeChat, Skype e Viber não ameaçam empresas de tele-
comunicações individuais, mas a maioria das operadoras que ope-
ram sob o antigo modelo de negócios de fornecer apenas serviços 
de telecomunicações.
Para avaliar o grau de ameaça, é necessário respon-
der à pergunta: existe alguma barreira que impeça um jogador 
tradicional de imitar um adversário? Se não houver barreira, se 
não houver obstáculo fundamental para que o titular responda a 
um concorrente com uma estratégia semelhante, então não se tra-
ta de uma inovação disruptiva. Se o desafiante tiver um novo va-
lor que seja importante para o cliente, se isso prejudicar a oferta 
do fornecedor atual e se houver uma barreira que impeça o atual 
player de competir diretamente com o desafiante inovador, só en-
tão estamos lidando com uma inovação disruptiva.
1-13
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
PA
D
R
Õ
ES
 D
E 
D
ES
EN
V
O
LV
IM
EN
TO
 D
E 
N
O
VA
S
 T
EC
N
O
LO
G
IA
S
 E
 T
R
A
N
S
FO
R
M
A
Ç
Ã
O
 D
IG
IT
A
L
1
Para desenvolver uma resposta a um novo modelo de negó-
cio disruptivo, é necessário prever o comportamento do inovador 
e clientes do mercado. São possíveis duas variantes da estratégia 
do inovador: a primeira é “passar de fora para dentro”, quando o 
destruidor começa por vender a clientes que não são compradores 
dos serviços do incumbente, e só depois passa para os seus clientesdiretos (esta é o cenário que Christensen considerou em 
seu conceito).
Uma segunda opção também é possível - “de dentro para 
fora” - quando as vendas começam com um pequeno segmen-
to dentro do pool de clientes atuais do player incumbente (por 
exemplo, amantes de novos produtos) e se expandem, con-
quistando cada vez mais clientes do negócio originário. Essa foi a 
estratégia para promover o iPhone.
Tendo decidido pelo modelo de captação de clientes pelo de-
safiante, é importante analisar quais segmentos de seus próprios 
clientes serão os primeiros a adotar o produto ou serviço do dis-
ruptor-inovador, quem será mais atrativo para a oferta disruptiva? 
Prever o comportamento do cliente fornece a chave para construir 
uma estratégia para responder à interrupção.
Avaliando a escala de “disrupção” ao promover negócios ba-
seados em plataformas digitais, deve-se levar em conta os chama-
dos efeitos de rede. O valor de serviços como redes sociais, servi-
ços de namoro, jogos online depende não apenas e não tanto da 
interface do usuário, mas do número de ofertas, determinado pelo 
número de participantes do serviço.
O ataque é a melhor defesa contra o inovador: as estratégias 
ofensivas incluem adquirir o inovador, criar um negócio conjun-
to com ele ou lançar um inovador independente. Na história do 
desenvolvimento das empresas digitais, pode-se citar mais de um 
1-14
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
PA
D
R
Õ
ES
 D
E 
D
ES
EN
V
O
LV
IM
EN
TO
 D
E 
N
O
VA
S
 T
EC
N
O
LO
G
IA
S
 E
 T
R
A
N
S
FO
R
M
A
Ç
Ã
O
 D
IG
IT
A
L
1
exemplo em que o ataque foi uma defesa. Ao comprar o WhatsApp, 
uma das empresas que mais crescem por US$ 22 bilhões, o Face-
book contava não só e não tanto com as perspectivas de monetizar 
o tráfego de usuários do WhatsApp, mas com a capacidade de con-
trolar a comunidade de quase um bilhão de usuários, que agora é 
propriedade de ambas as empresas.
É claro que as estratégias ofensivas nem sempre são possí-
veis, principalmente por causa das barreiras de escala. Por exem-
plo, as operadoras de telecomunicações russas enfrentam um 
negócio internacional disruptivo em uma escala muito maior na 
forma de WhatsApp ou Skype. E não são apenas as empresas rus-
sas que se encontram nessa posição.
A estratégia geralmente implementada é que uma grande 
empresa compre um inovador disruptivo incipiente (Figura 1-4).
Figura 1-4: A coexistência do tradicional e do subversivo
Fonte: Próprio autor / Michael Rogers [adaptado]
1-15
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
PA
D
R
Õ
ES
 D
E 
D
ES
EN
V
O
LV
IM
EN
TO
 D
E 
N
O
VA
S
 T
EC
N
O
LO
G
IA
S
 E
 T
R
A
N
S
FO
R
M
A
Ç
Ã
O
 D
IG
IT
A
L
1
A arte dos líderes empresariais é avaliar corretamente o po-
tencial e determinar corretamente a fase em que se encontram seu 
próprio negócio e o negócio do inovador disruptivo. Comprar um 
inovador em um momento em que sua própria tecnologia está sa-
turada (Figura 1-4) e a tecnologia disruptiva do desafiante está 
se mostrando promissora, mas ainda não atingiu o estágio em que 
sua capitalização é muito alta é a aquisição ideal. Nem sempre é 
possível para um player existente escolher o momento certo e ad-
mitir que sua própria tecnologia, que domina o mercado, já esgo-
tou seu potencial e, portanto, decidir mudar a estratégia com base 
na ideia apresentada por um desafiante inicial.
Muitas vezes, está abaixo da dignidade dos empresários tra-
dicionais admitir para si mesmos que o negócio principal que eles 
criaram por tanto tempo acabou sendo menos promissor do que 
o oferecido pelos inovadores disruptivos, e quando eles percebem 
que a estratégia de comprar o desafiante foi a única estratégia cor-
reta - acontece que é tarde demais.
É bastante difícil prever a trajetória de mudança na impor-
tância da tecnologia.
Por exemplo, nos primórdios da tecnologia Flash da Macro-
media, lançada em 1996, a Adobe teve a chance de comprá-la por 
uma pequena quantia, mas a Adobe decidiu comprá-la apenas em 
2005, quando a plataforma Flash se tornou praticamente o padrão 
para visualização interativa da web, páginas, e a Adobe gastou cer-
ca de US$ 3,4 bilhões no negócio. Mas, quando o padrão HTML5 
apareceu, a tecnologia Flash começou a perder popularidade e, em 
2018, a maioria dos analistas prevê seu declínio iminente.
Grandes empresas possuem muitas tecnologias, anali-
sam constantemente o surgimento de inovações disruptivas para 
ajustar rapidamente sua estratégia de M&A. Os negócios mais 
1-16
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
PA
D
R
Õ
ES
 D
E 
D
ES
EN
V
O
LV
IM
EN
TO
 D
E 
N
O
VA
S
 T
EC
N
O
LO
G
IA
S
 E
 T
R
A
N
S
FO
R
M
A
Ç
Ã
O
 D
IG
IT
A
L
1
importantes estão na boca de todos (o Google comprou o You-
Tube e o Waze, o Facebook comprou o Instagram e o 
WhatsApp, a Apple comprou a Siri, a Microsoft assumiu 
as redes sociais Skype, Yammer e LinkedIn), mas há milha-
res de fusões e aquisições menos importantes de startups de tec-
nologia, bem como empresas relativamente grandes em diversas 
áreas do mercado digital.
A lógica de negócios determina que, ao comprar um inovador 
disruptivo, faça sentido usá-lo como uma unidade independente. 
Por um lado, essa estratégia leva ao surgimento de um destruidor 
interno que atrairá os clientes para longe do negócio principal. Por 
outro lado, se o inovador disruptivo adquirido não for destacado 
como uma divisão independente, há sempre o risco de colocar os 
interesses do core business à frente do desenvolvimento da ino-
vação e, portanto, acima do objetivo de um ótimo atendimento ao 
cliente. “Isso inevitavelmente criará uma oportunidade para ou-
tra pessoa lançar um negócio inovador semelhante e roubar seus 
clientes desiludidos” Rogers (2011).
Caso a compra não seja possível, existe a opção de iniciar seu 
próprio novo negócio que imita o modelo do destruidor. Em essên-
cia, é um esquema para usar seus próprios recursos em um jogo 
contra o seu negócio principal, a fim de se proteger de um inovador 
destrutivo e ganhar a chance de entrar em novos mercados de rá-
pido crescimento.
1-17
	� EXERCÍCIOS PROPOSTOS
01 Observe as afirmações abaixo:
I) Tendo uma certa especificidade, as tecnologias digitais passam por um 
ciclo de vida, não obedecendo à lógica geral de mudança de plataformas 
tecnológicas.
II) Padrões de desenvolvimento de novas tecnologias e transformação di-
gital foram estudados em detalhes suficientes em relação aos processos de 
desenvolvimento de tecnologia na era pré-digital e podem ser usados para 
descrever a dinâmica das tecnologias digitais modernas e os processos de 
negócios que elas definem.
III) A transição da quantidade para a qualidade pode ser ilustrada pelo 
exemplo de como uma diminuição no crescimento do poder de computação 
de um computador leva a capacidades qualitativamente novas.
Estão CORRETAS:
▢ -a) I e II
▢ -b) II e III
▢ -c) III somente
▢ -d) II somente
▢ -e) I e III
02 Falando sobre as leis gerais do desenvolvimento das tecnologias digi-
tais, pode-se dar vários exemplos de manifestação das leis da dialética 
nesse desenvolvimento, uma delas é:
▢ -a) Negação da negação
▢ -b) Alteração da quantidade em qualidade
▢ -c) Lógica geral de mudança
▢ -d) Unidade e união dos opostos
▢ -e) Crescimento do poder de computação
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
1-18
03 A manifestação da lei da negação da negação pode ser descrita em um 
exemplo de como:
▢ -a) Um aumento no crescimento do poder de computação de um 
computador leva a capacidades qualitativamente novas.
▢ -b) O crescimento da largura de banda da rede móvel.
▢ -c) Os semicondutores, que surgiram nos primórdios da tecnolo-
gia de rádio na forma de detectores de cristal.
▢ -d) No exemplo da coexistência de tendências opostas na lógica 
do desenvolvimento das tecnologias digitais.
▢ -e) O termo “destruição criativa.
04 Observe as afirmações abaixo:
I) O termo “destruiçãocriativa”, proposto por Joseph Schumpeter em 1945, 
sugere que o próprio fenômeno da “inovação” contém uma oposição, pois 
qualquer inovação destrói a solução já utilizada.
II) Falando em inovações digitais, há mais de uma contradição. Por um 
lado, as tecnologias digitais visam aumentar o papel de uma pessoa, re-
velando seu potencial criativo, por outro lado, reduzir o “fator humano”, 
reduzir o papel de uma pessoa na tomada de decisões de negócios através 
do uso de inteligência artificial.
III) As tecnologias digitais criam novos desafios em termos de segurança, 
por outro, a superação de vulnerabilidades em sistemas digitais os torna 
cada vez mais frágeis a ataques.
Estão INCORRETAS:
▢ -a) I somente.
▢ -b) II e III
▢ -c) III somente.
▢ -d) I e II
▢ -e) I e III
05 A IBM tinha uma excelente posição de mercado no setor de computadores 
pessoais na década de:
▢ -a) 1970
▢ -b) 1980
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
1-19
▢ -c) 1960
▢ -d) 1945
▢ -e) 1990
06 Pouco conhecida apareceu de repente e, ao oferecer sistemas operacio-
nais um deles era o DOS. Estamos falando da empresa: 
▢ -a) Apple
▢ -b) IBM
▢ -c) Linux
▢ -d) Microsoft
▢ -e) Samsung
07 Seu impacto nos negócios das empresas que produzem esses bens e ser-
viços, devemos nos voltar para a teoria das:
▢ -a) Tecnologias disruptivas.
▢ -b) Transformações Digitais contemporâneas
▢ -c) Estratégia de resposta
▢ -d) Destruição criativa
▢ -e) Transições da quantidade em qualidade
08 Observe as afirmações abaixo:
I) Segundo as estatísticas o mercado está pronto para aceitar algumas das 
inovações. 
II) As inovações não estimulam os compradores a adquirir bens em função 
de novas propriedades, mesmo em detrimento de sua menor produtividade.
III) O termo “inovações disruptivas” foi introduzido pela primeira vez pelo 
cientista americano Clayton M. Christensen em 1995.
Estão CORRETAS:
▢ -a) I e III
▢ -b) II somente.
▢ -c) II e III
▢ -d) I somente
▢ -e) III somente
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
1-20
09 Há momentos em que um inovador leva tudo, mas muitas vezes ele con-
segue atrair apenas alguns segmentos de usuários para os quais a inova-
ção é de importância decisiva. Estamos falando de:
▢ -a) Inovação disruptiva
▢ -b) Inovações preservadoras
▢ -c) Transformações Digitais
▢ -d) Estratégia de resposta
▢ -e) Destruição criativa
10 Para desenvolver uma resposta a um novo modelo de negócio disruptivo, 
é necessário:
▢ -a) Prever o comportamento do inovador e clientes do mercado.
▢ -b) Promover negócios baseados em menos plataformas digitais.
▢ -c) Estratégias menos ofensivas que incluem adquirir o inovador 
e criar um negócio em conjunto com ele ou lançar um inova-
dor independente.
▢ -d) Avaliar menos o potencial e determinar corretamente a fase 
em que se encontram seu próprio negócio e o negócio do ino-
vador disruptivo.
▢ -e) Um esquema para usar seus próprios recursos em um jogo 
contra o seu negócio principal, a fim de se proteger de uma 
destruição criativa.
DISCIPLINA:
Arquiteturas Disruptivas, 
IOT, Big Data e 
Inteligência Artificial
CAPÍTULO 2: 
CICLO DE VIDA DE IMPLEMENTAÇÃO 
DE NOVAS TECNOLOGIAS
2-2
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
C
IC
LO
 D
E 
V
ID
A
 D
E 
IM
P
LE
M
EN
TA
Ç
Ã
O
 D
E 
N
O
VA
S
 T
EC
N
O
LO
G
IA
S
2
2�1 FUNDAMENTOS
Falamos na unidade anterior sobre inovações disruptivas 
que permitem que algumas empresas interrompam os negócios de 
outras. É óbvio que as regularidades consideradas podem ser ex-
trapoladas ao nível dos países. Os estados que não puderem criar 
condições para o desenvolvimento de tecnologias digitais, construir 
plataformas em torno das quais se forma o negócio global, come-
çarão a perder suas posições, serão obrigados a depender cada vez 
mais de soluções de plataformas estrangeiras, ou seja, abrir mais 
seu mercado doméstico e mais para fornecedores estrangeiros.
2�2 Implementação de Novas Tecnologias
Acima, já mencionamos a curva S, que descreve os padrões 
de surgimento de novas tecnologias no mercado. A primeira men-
ção da curva S em relação à disseminação de inovações ocorre no 
livro de Everett Rogers, publicado em 1962 sob o título “Difusão 
de Inovações”. Além disso, é mencionado em vários trabalhos: a 
curva de difusão da inovação é frequentemente apresentada jun-
to com a curva do número de usuários que mudaram para a tec-
nologia (Fig. 2-1). No estágio inicial, a conscientização da nova 
tecnologia é baixa e um pequeno número de usuários - inovadores 
(entusiastas tecnológicos) mudam para ela, e a maioria já os 
segue, após o que começa um aumento acentuado no número de 
participantes. Mas há um limite para o novo mercado – o cresci-
mento está diminuindo, pois quase todos que tiveram a oportu-
nidade de mudar para a nova tecnologia já o fizeram. Depois de 
algum tempo, a tecnologia entra na fase de atenuação.
2-3
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
C
IC
LO
 D
E 
V
ID
A
 D
E 
IM
P
LE
M
EN
TA
Ç
Ã
O
 D
E 
N
O
VA
S
 T
EC
N
O
LO
G
IA
S
2
Figura 2-1: Difusão de inovações
Fonte: Próprio autor
A Figura 2-2 mostras como, por exemplo, a tecnologia de main-
frame, bem como a tecnologia de “arquitetura cliente-servidor e PC”, já 
passou do estágio de saturação e passaram para o estágio de decadência.
Figura 2-2: Fases de desenvolvimento de algumas tecnologias TIC
Fonte: Próprio autor
2-4
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
C
IC
LO
 D
E 
V
ID
A
 D
E 
IM
P
LE
M
EN
TA
Ç
Ã
O
 D
E 
N
O
VA
S
 T
EC
N
O
LO
G
IA
S
2
Do ponto de vista das empresas de telecomunicações, pode-se 
também distinguir períodos de desenvolvimento em forma de S de tec-
nologias como transmissão de voz, transmissão de dados, serviços di-
gitais (Fig. 2-3), cada um dos quais com os estágios discutidos acima.
Figura 2-3: Condução de tecnologias de diferentes estágios 
de desenvolvimento na indústria de telecomunicações
Fonte: Próprio autor
Conforme observado nos parágrafos anteriores, os líderes 
empresariais enfrentam o desafio de reconhecer o impacto das no-
vas tecnologias a tempo e escolher a estratégia certa para interagir 
com elas. Nem todos conseguem fazer isso: o problema é que na 
fase de formação de uma nova tecnologia, surge uma certa excita-
ção em torno dela, uma reavaliação de seu significado, e é muito 
difícil avaliar suas reais perspectivas.
Aumentar o número de usuários de uma nova tecnologia co-
meça com um estágio de crescimento lento. No entanto, se olhar-
mos para o mesmo estágio do ponto de vista da “visibilidade da 
2-5
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
C
IC
LO
 D
E 
V
ID
A
 D
E 
IM
P
LE
M
EN
TA
Ç
Ã
O
 D
E 
N
O
VA
S
 T
EC
N
O
LO
G
IA
S
2
tecnologia”, que é determinada pelo nível de menção e discussão 
da tecnologia na sociedade, o quadro será diferente (Fig. 2-4).
A empresa analítica Gartner, estudando a natureza subjeti-
va de avaliar o significado de uma nova tecnologia em um estágio 
inicial de desenvolvimento (visibilidade da inovação pelos 
olhos da comunidade profissional e da mídia), diz que cada 
nova tecnologia passa por cinco estágios, e chama essa curva de 
Hype Cycle, que pode ser traduzida como um hype cycle. Esta cur-
va é mostrada na Figura 2-4 comparada com a curva S.
2-6
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
C
IC
LO
 D
E 
V
ID
A
 D
E 
IM
P
LE
M
EN
TA
Ç
Ã
O
 D
E 
N
O
VA
S
 T
EC
N
O
LO
G
IA
S
2
Figura 2-4: A razão entre a curva de crescimento da participação da tecnologia 
em relação à mercado e sua importância na percepção da comunidade
Fonte: Próprio autor
2-7
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
C
IC
LO
 D
E 
V
ID
A
 D
E 
IM
P
LE
M
EN
TA
Ç
Ã
O
 D
E 
N
O
VA
S
 T
EC
N
O
LO
G
IA
S
2
Os algarismos romanos na Figura 2-4 indicam a se-
guinte região:
I) Technology Trigger: Um anúncio de tecnologia ou 
evento que gera interesse público natecnologia.
II) Pico das expectativas infladas: o estágio em que 
o público e a imprensa prestam atenção à tecnologia 
e começam a depositar esperanças excessivamente al-
tas nela.
III) Vale da desilusão: dado chega a fase em que os usu-
ários descobrem que as esperanças depositadas na tec-
nologia não se concretizaram, ainda não há especialistas 
que possam comprovar os benefícios da tecnologia e são 
poucos os exemplos positivos de sua implementação.
Nesse estágio, a imprensa geralmente para de escrever so-
bre a tecnologia, deixando a impressão de que a tecnologia “saiu 
do palco”.
Muitas vezes, a chave para o sucesso é ser o primeiro a che-
gar ao mercado com alguma nova ideia ou invenção. Há também 
exemplos em que o nicho de mercado para uma nova tecnologia 
se torna muito estreito e empresas de manufatura que investiram 
no que pensavam ser uma tecnologia promissora vão à falência. A 
ascensão e queda na popularidade de uma nova tecnologia caracte-
riza o estágio em que uma empresa que planeja implementar essa 
tecnologia pode errar na escolha de uma estratégia, uma vez que a 
relação entre as expectativas e o real significado da tecnologia não 
é óbvia a partir das informações disponíveis no mercado.
IV) Inclinação do Esclarecimento: À medida que as 
pessoas se adaptam a uma nova tecnologia, aprendem 
2-8
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
C
IC
LO
 D
E 
V
ID
A
 D
E 
IM
P
LE
M
EN
TA
Ç
Ã
O
 D
E 
N
O
VA
S
 T
EC
N
O
LO
G
IA
S
2
sobre suas aplicações e se tornam mais conhecedoras so-
bre ela, haverá reconhecimento de seus reais benefícios.
V) Platô de Produtividade: nesta fase, a tecnologia tor-
na-se estável, geralmente aceita e amplamente utilizada.
Não é necessário que cada tecnologia passe consistentemen-
te por todos os cinco estágios. Alguns pulam um ou outro estágio, 
outros voltam periodicamente e iniciam o ciclo novamente.
A Figura 2-5 é o ciclo de hype do Gartner para julho de 
2017, que representa seletivamente algumas das tecnologias que 
serão mencionadas neste livro.
Figura 2-5: Ciclo de hype do Gartner de julho de 2017
Fonte: Próprio autor / Gartner [adaptado]
Os triângulos indicam tecnologias que atingirão um patamar 
de produtividade apenas em 10 anos.
2-9
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
C
IC
LO
 D
E 
V
ID
A
 D
E 
IM
P
LE
M
EN
TA
Ç
Ã
O
 D
E 
N
O
VA
S
 T
EC
N
O
LO
G
IA
S
2
Algumas tecnologias estão em estágio inicial (veja a Figura 
2-6), e enquanto há pouca informação sobre eles na imprensa. Um 
exemplo é a impressão 4D: é conhecida por ser uma tecnologia que 
utiliza métodos de impressão 3D (que serão discutidos em de-
talhes no Capítulo 2) para criar um objeto tridimensional, en-
quanto o objeto resultante tem as propriedades de transformação 
direcional (muda sua forma) com fluxo.tempo, dependendo das 
mudanças nos parâmetros ambientais (temperatura, umida-
de, etc.). O Gartner estimou em 2017 que essa tecnologia atingiria 
um patamar de produtividade em pelo menos 10 anos.
Outra tecnologia que será discutida neste livro é a computa-
ção de borda, um método para otimizar sistemas de computação 
em nuvem realizando o processamento de dados na borda da rede, 
próximo à fonte dos dados. Essa abordagem possibilita reduzir os 
requisitos de largura de banda para o canal de comunicação entre 
os sensores e o data center central (centro de processamento 
de dados) realizando o processamento de dados analíticos próxi-
mo à fonte de dados.
A tecnologia dos gêmeos digitais implica na criação de um 
gêmeo de algum objeto físico ou processo em um ambiente virtual 
e espaço para modelagem de processos físicos em tempo real. O 
gêmeo reproduz o comportamento de um objeto físico e permite 
trocar informações com ele, o que possibilita controlar processos 
físicos e evitar mau funcionamento.
Em essência, a metodologia Gartner demonstra a nature-
za subjetiva da percepção da utilidade da tecnologia nos estágios 
iniciais de seu desenvolvimento. O boom da informação em tor-
no da tecnologia torna difícil reconhecer sua utilidade até que ela 
realmente atinja um platô de produtividade. Ao mesmo tempo, 
2-10
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
C
IC
LO
 D
E 
V
ID
A
 D
E 
IM
P
LE
M
EN
TA
Ç
Ã
O
 D
E 
N
O
VA
S
 T
EC
N
O
LO
G
IA
S
2
algumas tecnologias podem não chegar a esse estágio muito em 
breve, ou podem não o atingir.
Depois que todos que queriam e podiam fazer isso mudam 
para a tecnologia, começa o estágio de saturação e, à medida que sur-
gem novas soluções, alguns usuários passam a usar tecnologia mais 
moderna, e a importância da tecnologia antiga diminui. A tecnologia 
está ficando velha. Isso nos permite falar de “ondas” tecnológicas. A 
dinâmica de tais ondas no exemplo das tecnologias de linhas aluga-
das, Frame Relay, ATM, WDM, ISDN é mostrada na Figura 2-6.
Figura 2-6: Ciclo de vida de algumas tecnologias 
de comunicação. Fonte: Baklanov I.G.
Fonte: Próprio autor / Baklanov I.G [adaptado]
Em alguns casos, na fase de declínio da “onda”, observa-se 
um “surto” adicional (Fig. 2-7), que pode ocorrer, por exemplo, 
devido ao uso dessa tecnologia em outras indústrias, na junção 
com outras tecnologias ou em outros países - lá, onde a introdução 
da mesma tecnologia pode ser adiada.
2-11
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
C
IC
LO
 D
E 
V
ID
A
 D
E 
IM
P
LE
M
EN
TA
Ç
Ã
O
 D
E 
N
O
VA
S
 T
EC
N
O
LO
G
IA
S
2
Figura 2-7: Efeito de aumento de demanda devido à nova área formulários
Fonte: Próprio autor
Ondas de transformação digital podem ser observadas em 
diferentes setores e vêm com uma mudança no tempo. O bastão 
passa de uma indústria para outra (veja a Figura 2-8).
Figura 2-8: Ondas de transformação digital
Fonte: Próprio autor / Dear Media [adaptado]
2-12
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
C
IC
LO
 D
E 
V
ID
A
 D
E 
IM
P
LE
M
EN
TA
Ç
Ã
O
 D
E 
N
O
VA
S
 T
EC
N
O
LO
G
IA
S
2
Deve-se notar que a transformação digital está ocorrendo 
tendo como pano de fundo a penetração não apenas da TI, mas 
também de outras tecnologias, como biotecnologia, nanotecnolo-
gia e outras (ver Fig. 2-9). Cada uma dessas tecnologias é basea-
da em tecnologias e gera inovações em sua interseção.
Figura 2-9: Dinâmica de penetração de novas tecnologias.
Fonte: Próprio autor / Peter von Stackelberg [adaptado]
Além de prever o tempo em que uma tecnologia atingirá um 
patamar de produtividade, além de poder prever o ciclo de vida 
de uma tecnologia, é importante avaliar o grau de transformação 
do negócio sob a influência de determinadas tecnologias. Uma 
análise semelhante pode ser encontrada em (Fig. 2-10), onde 
as tecnologias discutidas acima são classificadas de acordo com o 
estágio de prontidão (estágio de desenvolvimento e imple-
mentação) e o grau de possível impacto na transformação do 
negócio: “estratégico - tático”, “altamente transformador - fraca-
mente transformador.
2-13
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
C
IC
LO
 D
E 
V
ID
A
 D
E 
IM
P
LE
M
EN
TA
Ç
Ã
O
 D
E 
N
O
VA
S
 T
EC
N
O
LO
G
IA
S
2
Figura 2-10: Processo de transformação de tecnologias
Fonte: Próprio autor / Dion Hinchcliffe [adaptado]
2�3 Convergência tecnológica e transformação digital
Falando sobre o fato de que a evolução dos sistemas de infor-
mação é acompanhada por transições transformacionais, é útil ver 
quais são os mecanismos desse desenvolvimento.
Até agora, consideramos o processo de mudança de uma 
tecnologia para outra, sem prestar muita atenção à sua interação. 
Ao mesmo tempo, sabe-se que no processo de desenvolvimento há 
convergência - convergência de tecnologias, que por sua vez leva à 
convergência e fusão de negócios, novas soluções de negócios nas-
cem na junção de tecnologias convergentes.
2-14
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
C
ICLO
 D
E 
V
ID
A
 D
E 
IM
P
LE
M
EN
TA
Ç
Ã
O
 D
E 
N
O
VA
S
 T
EC
N
O
LO
G
IA
S
2
Consideremos como a convergência e a divergência determi-
nam a lógica de desenvolvimento das TIC e os negócios das em-
presas que utilizam essas tecnologias.
Em termos filosóficos gerais, divergência e convergência são 
conceitos antípodas que denotam a existência e o desenvolvimento 
no tempo de objetos de qualquer tipo que experimentam divergên-
cia (divergere) e convergência (convergere).
Para quaisquer objetos com qualidades diferentes, é carac-
terístico o desenvolvimento interno, que, devido à ação de causas 
internas e externas, leva à divisão do todo em partes, com a libe-
ração de uma nova qualidade ou aspecto. Além disso, essa discre-
pância (divergência) passa para a fase de coexistência de novos 
objetos. No curso de mudanças e desenvolvimentos subsequentes, 
esses objetos, sob condições favoráveis, podem convergir e se unir.
Ao descrever a convergência em tecnologias de informação 
e comunicação (TIC), é comum distinguir diferentes níveis, fa-
lando de convergência ao nível da indústria, redes, equipamentos 
ou serviços.
Uma ilustração clara da evolução dos setores de TI, teleco-
municações e mídia vêm da Caneval Ventures (Figura 2-11). As 
tecnologias de três indústrias inicialmente independentes estão 
gradualmente se fundindo em um fluxo comum, que reflete o pro-
cesso de convergência ao nível de redes, equipamentos e serviços.
2-15
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
C
IC
LO
 D
E 
V
ID
A
 D
E 
IM
P
LE
M
EN
TA
Ç
Ã
O
 D
E 
N
O
VA
S
 T
EC
N
O
LO
G
IA
S
2
Figura 2-11: Convergência na evolução das TIC
Fonte: Próprio autor / Caneval Ventures [adaptado]
A transição das redes de telecomunicações para os padrões 
digitais levou à criação de uma infraestrutura de rede eletrônica 
comum, que contribuiu para diluir as diferenças entre redes telefô-
nicas e redes de dados, redes públicas e redes corporativas. A tele-
visão, que surgiu como uma convergência da tecnologia do rádio e 
do cinema, convergiu com a TI. A Internet tornou possível a trans-
missão sobre IP de todo tipo de conteúdo - dados, imagens, músi-
ca, vídeo e voz (VoIP). Isso, por sua vez, contribuiu para a conver-
gência de serviços de telecomunicações anteriormente discretos. A 
Internet na Figura 2-11 mostra a convergência dos ramos de TI e 
telecomunicações, embora seja mais uma convergência de todos os 
três, incluindo o setor de mídia.
As caixas escuras na Figura 2-11 indicam áreas conver-
gentes, uma convergência de tecnologias que levou à formação 
2-16
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
C
IC
LO
 D
E 
V
ID
A
 D
E 
IM
P
LE
M
EN
TA
Ç
Ã
O
 D
E 
N
O
VA
S
 T
EC
N
O
LO
G
IA
S
2
de novos mercados consumidores como VoIP, IPTV, TV móvel, 
FMIC (Fixed Mobile Internet Convergence). Esta categoria 
também inclui o modelo de entrega Triple play/Quadruple play, em 
que o usuário recebe três serviços simultaneamente em um cabo de 
acesso de banda larga no caso de Triple play-play (acesso à In-
ternet de alta velocidade, TV a cabo e serviço telefônico) 
ou quatro no caso de quadruple play (acesso à Internet de alta 
velocidade, TV a cabo, serviço de telefonia fixa e móvel). 
A convergência das tecnologias mostradas na Figura 2-11 
levou à criação do conceito de TIC ou infocom e ao surgimento do 
mercado de infocom. A convergência das funções de provedores 
de TI, provedores móveis fixos e provedores de Internet levou a 
um esmaecimento das fronteiras entre comunicação e serviços de 
conteúdo tradicionalmente separados.
A indústria de telecomunicações se depara com o fato de que 
muitas tecnologias de TI começaram a penetrar nela, o que, por 
um lado, criou uma ameaça ao negócio tradicional de telecomu-
nicações e, por outro, abriu novas perspectivas de negócios tanto 
para operadoras existentes quanto para proprietários da infraes-
trutura de telecomunicações, e a novas empresas que ganharam 
oportunidades adicionais nas condições de desmonopolização do 
mercado de serviços de comunicações. Isso levou ao aumento da 
concorrência. Operadoras de cabo, provedores de serviços de In-
ternet e empresas de telecomunicações tradicionais estão cada vez 
mais competindo diretamente para fornecer um serviço integrado 
que inclui telefonia fixa, acesso à Internet de banda larga, televisão 
e telefonia móvel.
A adoção do SIP (Protocolo de Iniciação de Sessão) 
como protocolo padrão para suporte às comunicações Peer-to-Peer 
possibilitou a entrega de serviços e aplicativos de comunicação pela 
2-17
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
C
IC
LO
 D
E 
V
ID
A
 D
E 
IM
P
LE
M
EN
TA
Ç
Ã
O
 D
E 
N
O
VA
S
 T
EC
N
O
LO
G
IA
S
2
Internet. Este protocolo tornou-se o principal para fornecer voz 
pela Internet (VoIP). O protocolo SIP permitiu a novos players 
do mercado fornecer serviços de voz e dados através de uma cone-
xão de Internet de banda larga, o que levou ao surgimento de novas 
empresas que competem com operadoras de telecomunicações e 
cabo existentes sem ter redes de fibra óptica.
A convergência de TI, telecomunicações e mídia levaram 
a fenômenos como o acesso constante à informação através das 
fronteiras e a globalização da sociedade. Além disso, há uma cres-
cente interpenetração dos espaços virtuais, sociais e físicos.
A combinação de Wi-Fi e acesso à Internet de banda larga 
forneceu a infraestrutura para acesso à Internet sem fio em casa, 
no escritório, em aeroportos, estações de trem, hotéis, restauran-
tes, cafés, etc.
O acesso móvel à Internet está substituindo cada vez mais os 
serviços de vozes tradicionais. A evolução de TI, telecomunicações 
e mídia podem ser vistas como um diagrama de convergência (Fi-
gura 2-12), onde todas as tecnologias convergem para o centro, 
que é o smartphone.
2-18
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
C
IC
LO
 D
E 
V
ID
A
 D
E 
IM
P
LE
M
EN
TA
Ç
Ã
O
 D
E 
N
O
VA
S
 T
EC
N
O
LO
G
IA
S
2
Figura 2-12: Convergência na evolução das TIC.
Fonte: Próprio autor / Caneval Ventures [adaptado]
Ao mesmo tempo, a convergência de diferentes tecnologias 
(convergência) leva à diversificação (divergência) nas ativida-
des das empresas envolvidas neste negócio. As empresas rastreiam 
e encontram negócios promissores na interseção de tecnologias 
convergentes. Você pode dizer que a convergência em um nível 
causa divergência em outro.
“Por um lado, a convergência de TI, telecomunicações 
e mídia traz um benefício significativo para os usuários, não 
apenas porque eles obtêm dispositivos mais convenientes e 
2-19
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
C
IC
LO
 D
E 
V
ID
A
 D
E 
IM
P
LE
M
EN
TA
Ç
Ã
O
 D
E 
N
O
VA
S
 T
EC
N
O
LO
G
IA
S
2
multifuncionais, mas também porque o custo do conteúdo é redu-
zido. Por outro lado, a convergência leva ao aumento da concor-
rência no mercado, o que incentiva cada um dos players a ofere-
cer produtos a preços cada vez mais baixos na luta para manter 
e aumentar a participação de mercado” [19]. Todo setor está pro-
curando maneiras de dominar o ambiente convergente. Cada um 
tem seu trunfo: a indústria midiática tem conteúdo e a confiança 
do público, que se formou ao longo de décadas; para telecomuni-
cações, os canais pelos quais o conteúdo é transmitido; A TI possui 
os dispositivos que acessam a rede e os aplicativos que permitem 
o consumo de conteúdo. Cada um desses elos é importante, e sem 
ele a corrente se quebra. A mídia se esforça para vender conteúdo 
para o público mais amplo possível; A TI pode expandir o acesso 
a esse conteúdo vendendo mais e mais gadgets, e as telecomuni-
cações podem transmitir mais conteúdo oferecendo cada vez mais 
acesso à banda larga, aparentemente todos se complementando, 
permitindo que cada um ganhe mais.
No entanto, a concorrência, juntamente com a convergên-
cia, leva ao dumping.Em busca do domínio do mercado de TIC, 
as empresas de TI têm investido em pesquisa e desenvolvimento 
de sistemas operacionais, aplicativos, bancos de dados e hardware 
para agregar valor à rede. As empresas de telecomunicações in-
vestiram em infraestrutura, oferecendo largura de banda cada vez 
maior na esperança de que, controlando a entrada na rede, possam 
garantir o domínio do mercado. No entanto, quanto mais largura 
de banda os provedores de telecomunicações fornecerem, menor 
será o preço cobrado por unidade de conteúdo baixado. A ideia de 
cobrar proporcionalmente à quantidade de conteúdo consumida 
perdeu o sentido quando a largura de banda da rede aumentou mi-
lhares de vezes.
2-20
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
C
IC
LO
 D
E 
V
ID
A
 D
E 
IM
P
LE
M
EN
TA
Ç
Ã
O
 D
E 
N
O
VA
S
 T
EC
N
O
LO
G
IA
S
2
As empresas de mídia tiveram uma vantagem na 
presença de assinantes: seu número cresceu junto com as 
marcas de mídia e, gradualmente, tornaram-se fiéis às informa-
ções que essas marcas carregam - mas para aumentar a circulação 
(volumes de conteúdo), essas empresas foram obrigadas a co-
operar com empresas de tecnologia como Nokia, Apple, Facebook, 
Salesforce ou Google, bem como operadoras de telecomunicações. 
Ao mesmo tempo, o crescimento da circulação levou a uma dimi-
nuição do preço unitário dos conteúdos.
Assim, a maioria dos participantes do mercado seguiu o ca-
minho da diversificação de negócios para poder aumentar a parti-
cipação de mercado em sua área principal, oferecendo funciona-
lidades adicionais. Os vendedores de dispositivos pessoais para 
acessar a rede atraem clientes com conteúdo barato, os proprie-
tários da rede estão prontos para fornecer dispositivos de acesso à 
Internet, além de um contrato para uso a longo prazo do serviço.
2-21
	� EXERCÍCIOS PROPOSTOS
01 Observe as afirmações abaixo:
I) Os estados que não puderem criar condições para o desenvolvimento de 
tecnologias digitais, construir plataformas em torno das quais se forma o 
negócio global, começarão a aumentar suas posições.
II) A primeira menção da curva S em relação à disseminação de inovações 
ocorre no livro de Everett Rogers, publicado em 1962 sob o título “Difusão 
de Inovações”.
III) A curva de difusão da inovação é frequentemente apresentada junto 
com a curva do número de usuários que não mudaram para a tecnologia.
Estão CORRETAS:
▢ -a) I e II
▢ -b) II somente.
▢ -c) III somente.
▢ -d) I e III
▢ -e) II e III
02 No estágio inicial, a conscientização da nova tecnologia é baixa e um 
pequeno número de usuários mudam para ela, e a maioria já os segue, 
após o que começa um aumento acentuado no número de participantes. 
Esses usuários são chamados de:
▢ -a) Difusão de Inovações
▢ -b) Curva S
▢ -c) Inovadores (entusiastas tecnológicos)
▢ -d) Arquitetura cliente-servidor
▢ -e) S de tecnologias
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
2-22
03 Observe as afirmações abaixo:
I) Do ponto de vista das empresas de telecomunicações, pode-se também 
distinguir períodos de desenvolvimento em forma de Curva de tecnologias 
como transmissão de voz, transmissão de dados, serviços digitais.
II) Os líderes empresariais enfrentam o desafio de reconhecer o impacto 
das novas tecnologias a tempo e escolher a estratégia certa para interagir 
com elas.
III) A empresa analítica Gartner, estudando a natureza subjetiva de avaliar o 
significado de uma nova tecnologia em um estágio final de desenvolvimento 
(visibilidade da inovação pelos olhos da comunidade profissional e da mí-
dia), diz que cada nova tecnologia passa por cinco estágios, e chama essa 
curva de Hype Cycle, que pode ser traduzida como um hype cycle.
Estão INCORRETAS:
▢ -a) I e III
▢ -b) II somente
▢ -c) II e III
▢ -d) I somente
▢ -e) III somente
04 Sobre Pico das expectativas infladas é correto afirmar que:
▢ -a) Um anúncio de tecnologia ou evento que gera interesse públi-
co na tecnologia.
▢ -b) Dado chega a fase em que os usuários descobrem que as es-
peranças depositadas na tecnologia não se concretizaram, 
ainda não há especialistas que possam comprovar os benefí-
cios da tecnologia e são poucos os exemplos positivos de sua 
implementação.
▢ -c) Muitas vezes, a chave para o sucesso é ser o primeiro a chegar 
ao mercado com alguma nova ideia ou invenção.
▢ -d) O nicho de mercado para uma nova tecnologia se torna mui-
to estreito e empresas de manufatura que investiram no que 
pensavam ser uma tecnologia promissora vão à falência.
▢ -e) O estágio em que o público e a imprensa prestam atenção à 
tecnologia e começam a depositar esperanças excessivamente 
altas nela.
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
2-23
05 A ascensão e queda na popularidade de uma nova tecnologia caracteriza o:
▢ -a) O estágio em que uma empresa que planeja implementar essa 
tecnologia pode errar na escolha de uma estratégia, uma vez 
que a relação entre as expectativas e o real significado da tec-
nologia não é óbvia a partir das informações disponíveis. no 
mercado.
▢ -b) À medida que as pessoas se adaptam a uma nova tecnologia, 
aprendem sobre suas aplicações e se tornam mais conhecedo-
ras sobre ela, haverá reconhecimento de seus reais benefícios.
▢ -c) Um anúncio de tecnologia ou evento que gera interesse públi-
co na tecnologia.
▢ -d) Muitas vezes, a chave para o sucesso é ser o primeiro a chegar 
ao mercado com alguma nova ideia ou invenção
▢ -e) Dado chega a fase em que os usuários descobrem que as espe-
ranças depositadas na tecnologia não se concretizaram.
06 À medida que as pessoas se adaptam a uma nova tecnologia, aprendem 
sobre suas aplicações e se tornam mais conhecedoras sobre ela, haverá 
reconhecimento de seus reais benefícios. Estamos falando de:
▢ -a) Platô de Produtividade
▢ -b) Technology Trigger
▢ -c) Inclinação do Esclarecimento
▢ -d) Vale da desilusão
▢ -e) Pico das expectativas infladas
07 Observe as afirmações abaixo:
I) Não é necessário que cada tecnologia passe consistentemente por todos 
os cinco estágios. Alguns pulam um ou outro estágio, outros voltam perio-
dicamente e iniciam o ciclo novamente.
II) A impressão 4D: é conhecida por ser uma tecnologia que utiliza métodos 
de impressão 2D.
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
2-24
III) Para criar um objeto tridimensional, enquanto o objeto resultante tem 
as propriedades de transformação direcional (muda sua forma) com flu-
xo, tempo, não podem depender das mudanças nos parâmetros ambientais 
(temperatura, umidade, etc.).
Estão CORRETAS:
▢ -a) I e III
▢ -b) III somente
▢ -c) II e III
▢ -d) I somente
▢ -e) II somente
08 Um método para otimizar sistemas de computação em nuvem realizando 
o processamento de dados na borda da rede, próximo à fonte dos dados. 
Estamos falando de:
▢ -a) Inclinação do Esclarecimento
▢ -b) Computação de borda
▢ -c) Platô de Produtividade
▢ -d) Gartner
▢ -e) Pico das expectativas infladas
09 Sobre a tecnologia dos gêmeos digitais, é correto afirmar que:
▢ -a) Implica na criação de um gêmeo de algum objeto físico ou 
processo em um ambiente virtual e espaço para modelagem 
de processos físicos em tempo real.
▢ -b) À medida que as pessoas se adaptam a uma nova tecnologia, 
aprendem sobre suas aplicações e se tornam mais conhecedo-
ras sobre ela, haverá reconhecimento de seus reais benefícios.
▢ -c) Nesta fase, a tecnologia torna-se estável, geralmente aceita e 
amplamente utilizada.
▢ -d) Não é necessário que cada tecnologia passe consistentemente 
por todos os cinco estágios.
▢ -e) Indicam tecnologias que atingirão um patamar de produtivi-
dade apenas em 10 anos.
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
2-25
10 Em essência, a metodologia Gartner demonstra que: 
▢ -a) O boom da informação em torno da tecnologia torna fácil re-
conhecer sua utilidade até que ela realmente atinja um platô 
de produtividade.
▢ -b) A natureza subjetiva da percepção da utilidade da tecnologia 
nos estágios iniciais de seu desenvolvimento.
▢ -c) A tecnologia está ficando velha. Isso não nospermite falar de 
“ondas” tecnológicas.
▢ -d) Ondas de transformação digital podem ser observadas em di-
ferentes setores e vêm com uma mudança no tempo.
▢ -e) A transformação digital está ocorrendo tendo como pano de 
fundo a penetração não apenas da TI, mas também de outras 
tecnologias, como biotecnologia, nanotecnologia e outras.
DISCIPLINA:
Arquiteturas Disruptivas, 
IOT, Big Data e 
Inteligência Artificial
UNIDADE 2: 
FUNDAMENTOS DA INTERNET DAS 
COISAS (IoT)
Caro(a) Aluno(a)
Seja bem-vindo(a)!
Nesta segunda unidade, daremos orientações sobre a tecnologia de 
Internet das Coisas (IoT), como fundamentos e conceitos bem como 
perspectivas, funcionamento e áreas de atuação.
Conteúdos da Unidade
Neste capítulo, iremos conhecer um pouco sobre a Internet das Coisas, ou IoT. 
Dessa forma, estudaremos os conceitos e aplicabilidades dessa tecnologia, 
seguida de um detalhamento maiks técnico de seu funcionamento.
 9 IoT: Conceitos e Aplicabilidade;
 9 Detalhamento Técnico sobre Internet das Coisas.
Acompanhe os conteúdos desta unidade. Se preferir, vá assinalando os 
assuntos, à medida que for estudando.
Bons estudos!!!
DISCIPLINA:
Arquiteturas Disruptivas, 
IOT, Big Data e 
Inteligência Artificial
CAPÍTULO 3: 
IOT: CONCEITOS E APLICABILIDADE
3-3
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
Io
T:
 C
O
N
C
EI
TO
S
 E
 A
P
LI
C
A
B
IL
ID
A
D
E
3
3�1 FUNDAMENTOS
O termo “Internet das Coisas” (IoT) foi cunhado em 1999 
por Kevin Ashton, um dos três fundadores do Auto-ID Center da 
Universidade de Massachusetts. Existem várias definições do ter-
mo, e cada uma delas não é precisa o suficiente. Usaremos a defi-
nição proposta pelo Gartner (a mesma que cunhou o termo 
ERP): “A Internet das Coisas é uma rede de objetos físicos que 
têm tecnologias incorporadas que permitem interagir com o am-
biente externo, transmitir informações sobre seu estado e receber 
dados de fora.”
Uma parte integrante da Internet das Coisas é a Internet das 
Coisas Industrial (IIoT). E um novo termo já apareceu: a “Inter-
net de Tudo” (Internet de Tudo, IoE), que substituirá a Internet 
das Coisas em um futuro próximo.
Um dos primeiros dispositivos conectados à rede foi uma 
máquina de venda automática para a venda da Coca-Cola, instala-
da na Universidade Carnegie Mellon em 1982. Assim, o dispositivo 
foi capaz de transmitir dados sobre o número de garrafas contidas 
nele e em sua condição como um todo.
O período de discussão ativa de redes que poderiam fornecer 
comunicação máquina a máquina foi a década de 1990. Por exem-
plo, Mark Weiser, chefe de pesquisa do Xerox PARC (Xerox Re-
search Center), propôs o conceito de computação onipresente, 
que envolvia a introdução em massa de computadores e a orga-
nização da comunicação entre eles, graças às quais as máquinas 
resolveriam independentemente as tarefas cotidianas do usuário.
O cientista Bill Joy, por sua vez, como parte de um discurso 
no Fórum Econômico Mundial em Davos em 1999, propôs a ideia 
de “Seis Teias” - seis tipos de Internet do futuro. Nele, ele previu 
3-4
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
Io
T:
 C
O
N
C
EI
TO
S
 E
 A
P
LI
C
A
B
IL
ID
A
D
E
3
com bastante precisão o surgimento de redes de Internet móvel 
sem fio, assistentes de voz inteligentes e comunicações entre dis-
positivos (em sua tipologia, tal comunicação era chamada 
de Dispositivo para dispositivo). Ao mesmo tempo, foram 
feitas tentativas de criar os primeiros projetos de IoT - por exem-
plo, a Microsoft lançou em 1993 a plataforma at Work, que incluía 
um sistema operacional especial e um protocolo de transferência 
de dados, o objetivo era unir equipamentos de escritório (faxes, 
copiadoras, etc.) com um protocolo comum e transferir as fun-
ções de gerenciamento e controle sobre ele para computadores que 
rodam no Windows. No entanto, no Trabalho não foi bem suce-
dido e depois de um tempo foi fechado. Em 1994, a Novell fez um 
projeto semelhante - sua plataforma NEST (Novell Embedded 
Systems Technology) permitiu que vários dispositivos se co-
nectassem aos serviços do sistema operacional da rede NetWare 
e usassem seu protocolo IPX para interações. A NEST repetiu o 
destino de seu antecessor no Trabalho e deixou de existir.
Em 1999, um dos pesquisadores de tecnologias RFID, Kevin 
Ashton, pode ter usado pela primeira vez a frase “Internet das Coi-
sas” (Internet das Coisas, IoT). Ashton usou o termo recém-in-
ventado durante sua apresentação à Procter & Gamble sobre o im-
pacto da RFID em diferentes mercados. Há uma hipótese de que 
o primeiro a usar o termo “Internet das Coisas” foi o pesquisador e 
desenvolvedor Peter T. Lewis. Assim, de acordo com a suposição, o 
pioneiro das comunicações sem fio e sistemas de sensores falou so-
bre a “Internet das Coisas” em 1985 durante seu discurso perante 
a Comissão Federal de Comunicações dos EUA.
O período de rápido desenvolvimento da Internet das Coisas 
foi nos anos 2000. Considerando que, nos anos 1990, todas as ati-
vidades relacionadas à IoT eram principalmente teóricas por na-
tureza - conceitos, discussões, ideias individuais, nos anos 2000 
3-5
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
Io
T:
 C
O
N
C
EI
TO
S
 E
 A
P
LI
C
A
B
IL
ID
A
D
E
3
e 2010, projetos de IoT bem sucedidos começaram a aparecer em 
massa e lançar na realidade. Assim, muitos dispositivos de usuá-
rio relacionados à Internet das Coisas foram desenvolvidos - desde 
rastreadores de fitness até lâmpadas inteligentes e portas inteli-
gentes. Além disso, projetos de grande escala baseados em tecno-
logias de IoT começaram a se desenvolver - cidades inteligentes, 
manufatura inteligente, transporte inteligente, veículos não tripu-
lados e muito mais. Não menos importante, isso se tornou possível 
devido ao progresso ativo no campo da tecnologia da informação - 
o uso generalizado de conectividade sem fio, o aumento da largura 
de banda das comunicações da Internet, o surgimento de redes de 
longo alcance eficientes em termos energéticos, etc.
3�2 Definições e conceitos importantes
A Internet das Coisas é uma combinação de muitos tipos de 
comunicação sem fio. Em diversos projetos da Internet das Coisas, 
a conexão IoT pode ser construída com base em tecnologias como 
Wi-Fi, Bluetooth, RFID, LPWAN, LTE, 3G, 2G, NFC, ZigBee, 
Li-Fi, Z-wave, LoRa, etc.
Um lugar significativo em projetos de IoT é ocupado por sen-
sores que coletam informações (sobre o ambiente urbano, so-
bre a saúde humana, sobre o estado dos equipamentos na 
planta) – Um lugar significativo em projetos de IoT é ocupado por 
sensores que coletam informações (sobre o ambiente urbano, 
sobre a saúde humana, sobre o estado dos equipamentos 
na planta) – Um lugar significativo em projetos de IoT é ocupado 
por sensores que coletam informações (sobre o ambiente ur-
bano, sobre a saúde humana, sobre o estado dos equipa-
mentos na planta) – pressão, umidade, luz, movimento, fluxo 
3-6
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
Io
T:
 C
O
N
C
EI
TO
S
 E
 A
P
LI
C
A
B
IL
ID
A
D
E
3
de calor, nível, etc. Graças à comunicação sem fio e vários protoco-
los, eles são capazes de interagir uns com os outros, e enviar as in-
formações coletadas para sua análise subsequente por uma pessoa 
ou inteligência artificial.
Data centers, tecnologias em nuvem e big data são usados 
para armazenar e processar os dados obtidos. Até o momento, a 
Internet das Coisas não tem um único padrão ou protocolo.
M2M, Máquina-a-Máquina, Máquina-a-Máquina é um 
nome comum para tecnologias que permitem que “máquinas” tro-
quem informações entre si, ou transmitam-nas unilateralmente, 
sem intervenção humana. Uma das subclasses do M2M é a inte-
ração máquina a máquina usando soluções móveis, também pode 
usar a abreviação M2M - Mobile-to-Mobile.
IoT, Internet das Coisas, “Internet das Coisas” é uma me-
todologia de uma rede de computadores de objetos físicos (“coi-sas”), equipada com tecnologias incorporadas para interagir en-
tre si ou com o ambiente externo, considerando a organização de 
redes como um fenômeno capaz de reestruturar processos econô-
micos e sociais, excluindo de parte das ações e operações a neces-
sidade de participação humana.
Os conceitos de M2M e IoT têm significados diferentes. A 
maioria dos especialistas acredita que a Internet das Coisas é um 
conceito mais amplo que evoluirá a partir do M2M e outras tec-
nologias. Simplificando, M2M é uma situação em que “máquinas” 
usam recursos de rede para se comunicar com a infraestrutura de 
um aplicativo remoto com o objetivo de monitorar e controlar a 
própria “máquina” ou o meio ambiente. A potencial interconexão 
de objetos inteligentes e como interagimos com o meio ambiente 
é o que constitui a “Internet das Coisas”, onde o mundo físico se 
fundirá com o mundo digital.
3-7
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
Io
T:
 C
O
N
C
EI
TO
S
 E
 A
P
LI
C
A
B
IL
ID
A
D
E
3
Em uma oficina, um palestrante esboçou as diferenças entre 
M2M e IoT com o seguinte exemplo – se você tem uma máquina 
de café em seu escritório que informa ao pessoal do serviço que os 
grãos de café estão acabando, então é M2M. Se o sistema analisa 
o consumo de café pelos funcionários durante o dia, com base em 
experiências anteriores e dados do calendário do Outlook sobre 
as próximas reuniões com os clientes, prevê o fim de certos ingre-
dientes (grãos, creme ou água), e então forma uma solicitação 
para seu reabastecimento ou até mesmo compra, então esta é a 
IoT. Outra definição é que o M2M é o que fornece a “Internet das 
Coisas” com comunicação, sem a qual a IoT não seria possível.
Abaixo podemos ver um exemplo de diagrama 
da arquitetura IoT:
Figura 3-1: Arquitetura IOT
Fonte: https://www.researchgate.net/profile/Joab-Silva-2/publica-
tion/324780227/figure/fig2/AS:619659866935298@1524749833575/
Figura-23-Arquitetura-IoT-Adaptado-de-Hakiri-et-al-2015.png
3-8
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
Io
T:
 C
O
N
C
EI
TO
S
 E
 A
P
LI
C
A
B
IL
ID
A
D
E
3
A ideologia da Internet das Coisas visa aumentar a eficiência 
da economia automatizando processos em diversas áreas de atua-
ção e excluindo uma pessoa deles.
3�3 Direções e perspectivas para o 
desenvolvimento da Internet das Coisas
O conceito de Internet das Coisas foi formulado em 1999 
como uma compreensão das perspectivas para o uso generalizado 
de ferramentas de identificação de radiofrequência para a intera-
ção de objetos físicos entre si e com o ambiente externo.
Devido à onipresença das redes sem fio, ao surgimento da com-
putação em nuvem e ao desenvolvimento de tecnologias de comu-
nicação máquina a máquina, desde a década de 2010, esse conceito 
vem se desenvolvendo ativamente e, junto com o Big Data, as redes de 
computação em nuvem e comunicação móvel da 5ª geração (5G), é 
uma das áreas mais promissoras para o desenvolvimento de tecnolo-
gias de informação e telecomunicações nos próximos anos. Ao mesmo 
tempo, todas as áreas acima estão intimamente relacionadas entre si: 
a tecnologia de machine learning (como principal componen-
te da ideologia geral do Big Data) é algo que pode transformar 
dados coletados de vários sensores e sensores em informações, e as 
redes móveis 5G serão um recurso de transporte fundamental para 
conectar esses mesmos dispositivos do mundo da Internet das Coisas.
A Internet das Coisas é um elemento crítico da transformação 
digital dos negócios. A IoT pode desempenhar um papel fundamental 
nos negócios digitais, inclusive como meio de transformar produtos 
e serviços. Por exemplo, alguns fabricantes estão procurando trans-
formar seu modelo de negócio e passar da venda de hardware para o 
carregamento pelo uso de hardware, a quantidade que é determinada 
3-9
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
Io
T:
 C
O
N
C
EI
TO
S
 E
 A
P
LI
C
A
B
IL
ID
A
D
E
3
pela IoT incorporada. Outros fabricantes estão recorrendo à IoT para 
identificação automática dos clientes e suas preferências, atendimen-
to inteligente ao cliente, otimização das atividades operacionais, etc. 
Os benefícios de usar a Internet das Coisas podem ser realizados tanto 
no caso de aplicação dentro da empresa, por exemplo, para melhorar 
a segurança dos funcionários em condições perigosas de produção, 
quanto para focar em fatores externos, como melhorar os resultados 
do tratamento de pacientes no atendimento de emergência.
Figura 3-2: Benefícios da Internet das Coisas
Fonte: https://www.maxisite.net/blog/wp-content/uplo-
ads/2018/10/internet-das-coisas.jpg
As possibilidades de usar a Internet das Coisas são extraor-
dinariamente amplas. Na verdade, à medida que as máquinas se 
tornam mais complexas, as coisas podem agir em nome de seus 
proprietários e usuários. Isso leva a uma tendência que o Gartner 
3-10
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
Io
T:
 C
O
N
C
EI
TO
S
 E
 A
P
LI
C
A
B
IL
ID
A
D
E
3
chama de “coisas como clientes”. Seu próximo pedido, na verdade, 
pode vir de uma “coisa” que identifica a necessidade de mais supri-
mentos para atender às necessidades e desejos do cliente. Esta é 
uma transformação, não um desenvolvimento passo a passo.
3�4 Áreas de aplicação de IoT
O número abaixo mostra a previsão da Cisco até 2023 para a 
distribuição de dispositivos conectados. Você pode tratar essa pre-
visão de forma diferente, assim como muitas outras avaliações, às 
vezes contraditórias, mas ele dá uma compreensão da tendência 
geral no desenvolvimento e diversidade de aplicações de IoT, bem 
como a prevalência do número de conexões na Internet das Coisas 
domésticas (PEOPLE) em relação ao industrial (BUSINESS).
Figura 3-3: Projeção de dispositivos conectados à internet até 2023
Fonte: https://www.mobiletime.com.br/wp-content/uplo-
ads/2020/02/Cisco_Global-M2M-Connections.jpg
3-11
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
Io
T:
 C
O
N
C
EI
TO
S
 E
 A
P
LI
C
A
B
IL
ID
A
D
E
3
O número a seguir fornece estimativas das perspectivas de IoT 
para o número de dispositivos conectados em geral com base em vá-
rias projeções. Como você pode ver, as estimativas diferem por uma 
ordem de magnitude. Assim, até 2020, segundo analistas do Gart-
ner, o número de conexões chegará a 21 bilhões de peças. Apesar da 
diferença significativa nas estimativas, podemos afirmar altas taxas 
de crescimento do mercado de Internet das Coisas, o que causa sério 
interesse neste segmento de empresas industriais, grandes fornece-
dores de dispositivos, desenvolvedores de plataformas e aplicativos, 
agências de pesquisa e agências governamentais nacionais.
Figura 3-4: Número total de dispositivos conectados à internet até 2025
Fonte: https://v2com.com/wp-content/uploads/ 
2020/12/Numero-conexoes-IoT.jpg
Os casos de implementação de tecnologias de Internet das 
Coisas podem ser divididos em dois grandes grupos:
1) Internet das Coisas domésticas: soluções desti-
nadas a melhorar a qualidade de vida e segurança dos 
3-12
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
Io
T:
 C
O
N
C
EI
TO
S
 E
 A
P
LI
C
A
B
IL
ID
A
D
E
3
moradores, bem como reduzir seus custos em diversas 
áreas (categoria “PESSOAS”).
2) “Internet das Coisas” industrial: projetada para au-
mentar a eficiência dos negócios, bem como garantir o 
desenvolvimento e a implementação de novos serviços.
Considere alguns exemplos (reais e empíricos):
 ● As seguradoras de automóveis que têm acesso aos dados 
de telemetria veicular oferecem aos motoristas disciplina-
dos condições financeiras favoráveis na compra de apóli-
ces de seguro.
 ● As concessionárias que recebem informações de sensores 
de temperatura instalados nas instalações dos clientes 
fornecem descontos para reduzir o consumo de energia 
durante períodos de pico de demanda.
 ● As megacidades gerenciamos fluxos de tráfego regulan-
do de forma flexível os modos de operação dos semáforos 
com base em informações atuais e históricas sobre o car-
regamento de rodovias, e também introduzem sistemas de 
monitoramento da ocupação de vagas de estacionamento.
 ● As empresas de logística monitoram a movimentação e 
segurança das mercadorias.
 ● As empresas médicas estão introduzindo sistemas de mo-
nitoramento remoto do estado de saúde dos idosos e do-
entes, bem como sistemas para a administração automá-
tica de medicamentos.
 ● A empresa “Rio Tinto” (Austrália) introduziu caminhões 
de mineração não tripulados controlados a partir de um 
centro remoto.
3-13
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
Io
T:
 C
O
N
C
EI
TO
S
 E
 A
P
LI
C
A
B
IL
ID
A
D
E
3
 ● A empresa russa Telecom-Zaschita desenvolveu uma sé-
rie de soluções no campo da agricultura, incluindo uma 
tecnologia para monitoramento remoto e análise do es-
tado das culturas de grãos cultivadas em uma manga 
de feno, um sistema de identificação animal (Electronic 
Shepherd), um sistema de controle para complexos pecu-
ários (Smart Farm), um sistema de manejo para estufas 
(Estufas Inteligentes) e fazendas de apicultura (Smart 
Omshanik), um sistema de alerta precoce para defeitos 
agrícolas, equipamento – fonte de notícias, abril de 2017.
3-14
	� EXERCÍCIOS PROPOSTOS
01 Observe as afirmações abaixo:
I) O termo “Internet das Coisas” (IoT) foi cunhado em 1990 por Kevin 
Ashton, um dos três fundadores do Auto-ID Center da Universidade de 
Massachusetts.
II) A Internet das Coisas é uma rede de objetos físicos que têm tecnologias 
incorporadas que permitem interagir com o ambiente externo, transmitir in-
formações sobre seu estado e receber dados de fora.
III) Uma parte integrante da Internet das Coisas é a Internet das Coisas In-
dustrial (IIoT). E um novo termo já apareceu: a “Internet de Tudo” (Internet 
de Tudo, IoE), que substituirá a Internet das Coisas em um futuro próximo.
Estão CORRETAS:
▢ -a) I e III
▢ -b) III somente
▢ -c) II e III
▢ -d) I somente
▢ -e) I e II
02 Um dos primeiros dispositivos conectados à rede foi uma máquina de 
venda automática para a venda da Coca-Cola, instalada na Universidade 
Carnegie Mellon em:
▢ -a) 1982
▢ -b) 1992
▢ -c) 1990
▢ -d) 1980
▢ -e) 1999
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
3-15
03 Observe as afirmações abaixo:
I) O período de discussão ativa de redes que poderiam fornecer comunica-
ção máquina a máquina foi a década de 1995.
II) Mark Weiser, chefe de pesquisa do Xerox PARC (Xerox Research Center), 
propôs o conceito de computação onipresente, que envolvia a introdução 
em massa de computadores e a organização da comunicação entre eles, 
graças às quais as máquinas resolveriam independentemente as tarefas co-
tidianas do usuário.
III) O cientista Bill Joy, por sua vez, como parte de um discurso no Fórum 
Econômico Mundial em Davos em 1999, propôs a ideia de “Seis Teias” - seis 
tipos de Internet do futuro.
Estão INCORRETAS:
▢ -a) I e II
▢ -b) II somente
▢ -c) III e II
▢ -d) III somente
▢ -e) I somente
04 A Internet das Coisas é:
▢ -a) O período de rápido de desenvolvimento
▢ -b) Uma combinação de muitos tipos de comunicação sem fio.
▢ -c) O período de discussão ativa de redes que poderiam fornecer 
comunicação máquina a máquina.
▢ -d) Equipamentos de escritório (faxes, copiadoras, etc.) com um 
protocolo comum e transferir as funções de gerenciamen-
to e controle sobre ele para computadores que rodam no 
Windows.
▢ -e) Termo recém-inventado durante sua apresentação à Procter 
& Gamble sobre o impacto da RFID em diferentes mercados.
05 É um nome comum para tecnologias que permitem que “máquinas” tro-
quem informações entre si, ou transmitam-nas unilateralmente, sem in-
tervenção humana. Estamos falando de: 
▢ -a) M2M, Máquina-a-Máquina
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
3-16
▢ -b) IoT
▢ -c) Big data
▢ -d) NFC
▢ -e) LPWAN
06 Observe as afirmações abaixo:
I) IoT, Internet das Coisas, “Internet das Coisas” é uma metodologia de uma 
rede de computadores de objetos físicos (“coisas”), equipada com tecnolo-
gias incorporadas para interagir entre si ou com o ambiente externo.
II) Os conceitos de M2M e IoT têm significados diferentes.
III) A maioria dos especialistas acredita que a Internet das Coisas não é um 
conceito mais amplo que de M2M e outras tecnologias.
Estão INCORRETAS:
▢ -a) I somente
▢ -b) II e III
▢ -c) I e III
▢ -d) II somente
▢ -e) III somente
07 O conceito de Internet das Coisas foi formulado como uma compreensão 
das perspectivas para o uso generalizado de ferramentas de identificação 
de radiofrequência para a interação de objetos físicos entre si e com o 
ambiente externo. Esse conceito foi formulado no ano de:
▢ -a) 1982
▢ -b) 1999
▢ -c) 2010
▢ -d) 1983
▢ -e) 1990
08 É uma das áreas mais promissoras para o desenvolvimento de tecnolo-
gias de informação e telecomunicações nos próximos anos.
▢ -a) 5ª geração (5G)
▢ -b) M2M
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
3-17
▢ -c) Wi-Fi,
▢ -d) 3G
▢ -e) NFC
09 Sobre a IoT é correto afirma que: 
▢ -a) Foi formulado em 1999 como uma compreensão das perspec-
tivas para o uso generalizado de ferramentas de identificação 
de radiofrequência para a interação de objetos físicos entre si 
e com o ambiente externo.
▢ -b) Visa aumentar a eficiência da economia automatizando proces-
sos em diversas áreas de atuação e excluindo uma pessoa deles.
▢ -c) Pode desempenhar um papel fundamental nos negócios digi-
tais, inclusive como meio de transformar produtos e serviços.
▢ -d) É uma ideologia de uma rede de computadores de objetos fí-
sicos (“coisas”), equipada com tecnologias incorporadas para 
interagir entre si ou com o ambiente externo
▢ -e) É comunicação máquina a máquina.
10 Os casos de implementação de tecnologias de Internet das Coisas podem 
ser divididos em dois grandes grupos que são: 
▢ -a) 5G e 4G
▢ -b) Internet das Coisas” industrial e 5G
▢ -c) M2M e Internet das Coisas” industrial
▢ -d) Internet das Coisas” industrial e Internet das Coisas 
domésticas
▢ -e) Internet das Coisas domésticas e IoT
DISCIPLINA:
Arquiteturas Disruptivas, 
IOT, Big Data e 
Inteligência Artificial
CAPÍTULO 4: 
DETALHAMENTO TÉCNICO SOBRE 
INTERNET DAS COISAS
4-2
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
D
ET
A
LH
A
M
EN
TO
 T
ÉC
N
IC
O
 S
O
B
R
E 
IN
TE
R
N
ET
 D
A
S
 C
O
IS
A
S
4
4�1 FUNDAMENTOS
O ritmo de desenvolvimento da IoT está acima das expecta-
tivas. É realista imaginar que nos próximos anos nossos aparta-
mentos serão equipados com sensores conectados à Internet, e to-
dos os eletrodomésticos podem ser controlados usando aplicativos 
móveis. Tecnologias básicas já são conhecidas hoje em dia, agora a 
questão está por trás de sua otimização.
A Internet das Coisas resolve vários problemas básicos: como 
coletar dados com consumo mínimo de recursos, como processá-
-los rapidamente, como transferi-los de forma rápida, econômica e 
segura e, finalmente, como otimizar seu armazenamento.
Neste capítulo, veremos alguns detalhamentos técnicos rele-
vantes sobre internet das coisas, incluindo usos, implementações, 
além de aplicabilidades específicas, como por exemplo no campo 
mobile e em segurança.
4�2 Principais tecnologias para 
implementar a Internet das Coisas
A gama de tecnologias possíveis usadas para transmitir o trá-
fego de Internet das Coisas abrange redes sem fio e com fio. Para a 
transmissão de dados sem fio, qualidades como eficiência em con-
dições de baixa velocidade, tolerância a falhas, adaptabilidade e a 
possibilidade de auto-organização desempenham um papel parti-
cularmente importante na construção da Internet das Coisas.
As redes sem fio para internet das coisas são dividi-
das nos seguintes tipos:
4-3
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
D
ET
A
LH
A
M
EN
TO
 T
ÉC
N
IC
O
 S
O
B
R
E 
IN
TE
R
N
ET
 D
A
S
 C
O
IS
A
S
4
 9 Redes de curto alcance de baixapotência: redes de 
curto alcance eficientes em termos de energia;
 9 Redes de área de baixa potência (LPWAN): redes 
de longo alcance eficientes em termos de energia;
 9 Rede Celular: tecnologias baseadas no uso de padrões 
de rede celular na faixa licenciada.
Short Range e LPWAN são construídos sobre o uso de uma 
banda de frequência não licenciada - Bandas ISM. No setor de 
Curto Alcance, destaca-se o padrão IEEE 802.15.4, que define a 
camada física e o controle de acesso para a organização de redes 
pessoais eficientes em termos de energia, e é a base para proto-
colos como ZigBee, WirelessHart, MiWi, 6LoWPAN, além 
de Bluetooth de baixa energia, NFC, WLAN (Wi-Fi). No setor 
LPWAN, existem os seguintes padrões e tecnologias principais 
– SigFox, Symphony Link, Nwave, Ingenu (RPMA), Wei-
ghtless, LoRa.
Separadamente, tecnologias baseadas em redes móveis 
usando bandas de frequência licenciadas são apontadas - eMTC, 
EC-GSM-IoT, padrões NB-IoT. eMTC e NB-IoT são implan-
tados nos equipamentos de redes LTE (também é permitido 
construir redes NB-IoT dedicadas, inclusive nos canais 
de frequência das redes GSM); O EC-GSM-IoT é implantado 
em cima das redes GSM. Ao mesmo tempo, a tecnologia NB-IoT 
também é geralmente referida como redes de longo alcance efi-
cientes em energia (LPWAN).
Uma comparação das tecnologias de IoT sem fio em termos 
de alcance e largura de banda é apresentada na Fig. 4-1. 
4-4
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
D
ET
A
LH
A
M
EN
TO
 T
ÉC
N
IC
O
 S
O
B
R
E 
IN
TE
R
N
ET
 D
A
S
 C
O
IS
A
S
4
Figura 4-1: Comparação das tecnologias de IoT sem 
fio em termos de alcance e largura de banda
Fonte: https://qph.cf2.quoracdn.net/
main-qimg-74fac8006378cee869228af52a94ae4e-pjlq
Entre as tecnologias com fio, um papel importante na pene-
tração da Internet das Coisas é desempenhado por soluções PLC 
- tecnologias para construção de redes ao longo das linhas de ener-
gia, já que em muitos dispositivos há acesso a redes elétricas. Por 
exemplo, máquinas automáticas, caixas eletrônicos, medidores in-
teligentes, controladores de iluminação estão inicialmente conec-
tados à rede de alimentação.
As tecnologias de implementação de IoT também podem ser 
classificadas à distância de dispositivos finais (sensores, atua-
dores, etc.) para acessar gateways. Ao mesmo tempo, mais de 
90% do mercado será ocupado por dispositivos localizados a 100 
metros de nó de acesso. Neste espaço, diversas tecnologias basea-
das em padrões internacionais e soluções proprietárias competem, 
4-5
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
D
ET
A
LH
A
M
EN
TO
 T
ÉC
N
IC
O
 S
O
B
R
E 
IN
TE
R
N
ET
 D
A
S
 C
O
IS
A
S
4
incluindo dispositivos conectados à rede global através de smar-
tphones e roteadores domésticos.
EXEMPLO:
Vários dispositivos médicos e sensores de posicionamento monta-
dos no corpo humano.
De acordo com o Ericsson Mobility Report, em 2015, o nú-
mero total de dispositivos de comunicação tradicionais (10,1 bi-
lhões de unidades) foi mais que o dobro do número de “coisas” 
de IoT conectadas (4,6 bilhões de peças). Em 2021, o equilí-
brio de poder mudará em favor da IoT: 15,7 contra 11,8 bilhões 
de dispositivos. Ao mesmo tempo, o número de meios tradicionais 
de comunicação aumentará apenas alguns por cento ao ano, en-
quanto o número de coisas conectadas aumentará em mais de 20% 
(Fig. 4-2).
Figura 4-2: Dispositivos conectados
Fonte: https://images.indianexpress.com/2016/06/ericsson-main.jpg
O Ericsson Mobility Report leva em conta separadamente 
dispositivos IoT conectados através de redes de IoT celular e ou-
tras tecnologias de IoT não celulares.
4-6
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
D
ET
A
LH
A
M
EN
TO
 T
ÉC
N
IC
O
 S
O
B
R
E 
IN
TE
R
N
ET
 D
A
S
 C
O
IS
A
S
4
De acordo com muitos especialistas, a conexão sem fio de 
“coisas” distribuídas em uma grande área será realizada princi-
palmente através de redes de baixa potência (Low Power Wide 
Area Network, LPWAN, incluindo LoRa, SigFox stan-
dards, bem como NB-IoT, EC-GSM-IoT, E-MTC, etc.). Há 
cerca de cinco anos, tal termo não existia, e agora é a solução mais 
promissora para IoT.
De acordo com as previsões do Gartner e ZTE, as principais re-
ceitas do mercado de Internet das Coisas estarão concentradas:
 9 No desenvolvimento e produção de dispositivos fi-
nais (35%);
 9 No campo de desenvolvimento e produção de equipamen-
tos e complexos de hardware e software para construção 
de redes de comunicação, análise e armazenamento de 
dados recebidos de diversos sensores e sensores (25%);
 9 No campo do desenvolvimento de aplicativos, integração 
e prestação de serviços aos usuários finais (30%).
E apenas 10% das receitas estarão concentradas nas opera-
doras de telecomunicações, garantindo a construção e operação da 
infraestrutura de rede para transferência de dados entre dispositi-
vos finais e servidores de aplicativos.
Segundo os autores deste artigo, a maioria das tecnologias 
descritas para a implementação da Internet das Coisas ocupará seu 
nicho no futuro. No campo das redes de longo alcance eficientes em 
energia (LPWAN), a cobertura de rádio global (ou guarda-chu-
va) será fornecida com base no NB-IoT. Padrões como LoRa e 
Sigfox serão usados para construir soluções de nível Corporati-
vo, bem como em áreas onde não há cobertura de rádio NB-IoT. 
Ao mesmo tempo, as próprias redes NB-IoT serão construídas 
4-7
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
D
ET
A
LH
A
M
EN
TO
 T
ÉC
N
IC
O
 S
O
B
R
E 
IN
TE
R
N
ET
 D
A
S
 C
O
IS
A
S
4
com base nos equipamentos das redes móveis existentes. Para ca-
sos que requerem uma taxa de transferência de dados mais alta, a 
tecnologia eMTC será usada. Abaixo estão os dados da Huawei 
sobre a escolha de tecnologias para a construção de redes IoT por 
várias operadoras.
4�3 Visão geral da tecnologia de curto alcance
As tecnologias de curto alcance (ou tecnologias dos “últi-
mos 100 metros”) incluem padrões como BLE, IEEE 802.15.4, 
WLAN (Wi-Fi), NFC, IrDA e uma série de outros.
BLE (Bluetooth Low Energy) - lançado em dezembro de 
2009, uma versão da especificação da tecnologia sem fio Bluetoo-
th, a vantagem mais significativa é o consumo de energia ultra-
-baixo. Dispositivos que usam BLE consomem menos energia do 
que dispositivos bluetooth de gerações anteriores. Em muitos ca-
sos, os dispositivos podem funcionar por mais de um ano em uma 
única bateria de tablet sem recarga. Assim, é possível implemen-
tar sensores que operam continuamente (por exemplo, senso-
res de temperatura) e se comunicar com outros dispositivos, 
como um celular ou PDA. A nova versão da especificação Blue-
tooth permite suporte para uma ampla gama de aplicações e reduz 
o tamanho do dispositivo final para uso conveniente nas áreas de 
saúde, educação física e esportes, sistemas de segurança e entrete-
nimento doméstico.
O IEEE 802.15.4 é um padrão suportado pelo grupo de 
trabalho IEEE 802.15 que define a camada física e o controle 
do acesso a redes pessoais de baixa velocidade sem fio. O equi-
pamento construído com base neste padrão refere-se a dispositi-
vos de curto alcance e é a base básica para os protocolos ZigBee, 
4-8
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
D
ET
A
LH
A
M
EN
TO
 T
ÉC
N
IC
O
 S
O
B
R
E 
IN
TE
R
N
ET
 D
A
S
 C
O
IS
A
S
4
WirelessHART, MiWi, ISA100.11, cada um dos quais, por sua 
vez, oferece uma solução para a construção de redes através da es-
pecificação de níveis superiores não regulados pela norma. Como 
alternativa, o IEEE 802.15.4 pode ser usado em conjunto com os 
protocolos padrão e padrão 6LoWPAN da família TCP/IP.
NFC é uma tecnologia anunciada em 2004 e permite trocar 
dados entre dispositivos localizados a uma distância de cerca de 10 
centímetros. NFC é uma extensão do padrão de cartão sem con-
tato ISO 14443, que integra a interfacede um cartão inteligente 
e um leitor em um único dispositivo. O dispositivo NFC pode se 
comunicar com cartões inteligentes existentes, leitores ISO 14443 
e outros dispositivos NFC e, portanto, é compatível com a infraes-
trutura de cartão sem contato existente já em uso em sistemas de 
transporte público e pagamento. O NFC é voltado principalmente 
para uso em dispositivos móveis digitais.
A Figura 4-3 mostra uma representação gráfica das princi-
pais tecnologias de Curto Alcance em termos de alcance e consumo 
de energia. Neste caso, a área do rótulo reflete a taxa de transferên-
cia de dados disponível. A “Distância” e o “Consumo de Energia” 
mostrados na figura são indicativos porque dependem em grande 
parte do design do receptor de rádio do dispositivo e da caixa de 
uso específica.
4-9
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
D
ET
A
LH
A
M
EN
TO
 T
ÉC
N
IC
O
 S
O
B
R
E 
IN
TE
R
N
ET
 D
A
S
 C
O
IS
A
S
4
Figura 4-3: Tecnologias de curto alcance com consumo 
de energia, distâncias e taxas de dados.
Fonte: https://www.digikey.com.br/-/media/Images/Article%20Library/
TechZone%20Articles/2014/January/Short-range%20Low%20Power%20
Wireless%20Devices%20and%20IoT/article-2014january-short-range-low-
-power-fig8.jpg?la=pt-BR&ts=fafc4044-e474-4095-9fe6-f8d602e6d4ff
A tabela 4-1 mostra como várias tecnologias sem fio de 
curto alcance corresponde a certos aplicativos orientados vertical-
mente e na tabela 4-2 – Comparação de suas características téc-
nicas (apenas para BLE, 802.15.4 e WLAN; NFC e IrDA são 
excluídos da consideração devido à especificidade dos ca-
sos de uso).
4-10
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
D
ET
A
LH
A
M
EN
TO
 T
ÉC
N
IC
O
 S
O
B
R
E 
IN
TE
R
N
ET
 D
A
S
 C
O
IS
A
S
4
Tabela 4-1: Comparação de dispositivos a Tecnologias sem fio
 BLE 802.15.4 RIO WLAN NFC IrDA
Controle remoto Y Y Y X Y
Segurança (siste-
mas de segurança) Y Y Y Y X
Saúde e Fitness Y Y Y X X
Casa e Construção 
(edifícios residen-
ciais e edifícios)
Y Y Y X X
Industrial (Inter-
net das Coisas 
Industriais)
Y Y Y X X
Posicionamento Y Y Y X X
Pagamento 
(pagamentos) Y X X Y X
Automotivo (carros) Y X Y Y X
Comentários
O maior 
ecos-
sistema 
(smar-
tphones, 
tablets, 
...). Baixo 
consumo
Baixo 
consu-
mo, mas 
ecos-
sistema 
fechado.
Maior 
ecossis-
tema, 
mas alto 
consumo.
Baixo 
consu-
mo, mas 
alcance 
muito 
curto
Trabalha 
dentro da 
linha de 
visão
Fonte: Próprio autor
Tabela 4-2: Comparação e características técnicas
 BLE 802.15.4 RIO WLAN
Custo Y Y Y
Segurança Y Y Y
4-11
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
D
ET
A
LH
A
M
EN
TO
 T
ÉC
N
IC
O
 S
O
B
R
E 
IN
TE
R
N
ET
 D
A
S
 C
O
IS
A
S
4
 BLE 802.15.4 RIO WLAN
Consumo de 
energia Y Y X
Ecossistema Y X Y
Fiabilidade Y Y Y
Facilidade de uso Y Y Y
Gama Y
Y (Y)
Existem tecnologias de malha 
que permitem aumentar o 
alcance de operação dos 
dispositivos
ü
Comentários 
Especialistas da ConnectBlue 
acreditam que tecnologias 
baseadas no 802.15.4 se 
tornarão nicho, encontrando 
aplicação em maior medida nos 
projetos onde já foram criados, 
por exemplo, no campo da 
automação de casas privadas e 
edifícios administrativos, bem 
como no campo do consumo 
inteligente de energia.
 
Fonte: Próprio autor
 9 Todas as três tecnologias têm autenticação e criptografia 
incorporadas na camada de link, que às vezes requerem o 
fornecimento de proteção em todo o site, desde o disposi-
tivo final até o aplicativo web.
 9 Alguns casos de uso de IoT podem residir inteiramente 
atrás de um firewall corporativo (por exemplo, um caso 
de uso em uma fábrica onde a IoT é executada em um 
servidor local). Existem também sistemas de IoT que 
operam em uma ampla rede de área, mas atuam como 
4-12
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
D
ET
A
LH
A
M
EN
TO
 T
ÉC
N
IC
O
 S
O
B
R
E 
IN
TE
R
N
ET
 D
A
S
 C
O
IS
A
S
4
redes locais usando túneis VPN ou mecanismos de segu-
rança semelhantes.
 9 Quando usado corretamente, o BLE fornece menos con-
sumo de energia do que 802.15.4.
 9 A falta de suporte integrado para o 802.15.4 para o ecos-
sistema de dispositivos móveis (smartphones, tablets, 
laptops, etc.) é um problema, especialmente para aplica-
tivos móveis ou temporariamente móveis.
 9 Um ecossistema com telefones, tablets, laptops e aces-
sórios telefônicos reduzirá o custo de implementa-
ção do BLE.
 9 802.15.4 tem uma grande vantagem em sua gama, já que 
muitas tecnologias com capacidade para 802.15.4 (como 
zigBee) suportam conectividade de malha, pelo qual a co-
bertura pode ser estendida usando roteadores.
 9 A tecnologia Bluetooth de baixa energia é resistente ao 
ruído graças ao suporte para O Salto de Frequência Adap-
tive (AFH) e uma série de outras características herdadas 
do Bluetooth clássico.
 9 O WLAN (Wi-Fi) pode ser usado em dispositivos com 
menores requisitos de baixo consumo de energia e 
como uma rede sem fio básica em combinação com ou-
tras tecnologias.
A conclusão dos especialistas do ConnectBlue é que o BLE 
tem o maior potencial para se tornar a tecnologia principal para 
os “últimos 100 metros” em dispositivos de baixa potência, bara-
tos e pequenos. No entanto, dispositivos baseados na tecnologia 
802.15.4 continuarão a ser utilizados, especialmente nos casos em 
que já estão implementados. E mesmo em suas tradicionais apli-
cações a jusante – energia inteligente, eletrônicos de consumo e 
4-13
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
D
ET
A
LH
A
M
EN
TO
 T
ÉC
N
IC
O
 S
O
B
R
E 
IN
TE
R
N
ET
 D
A
S
 C
O
IS
A
S
4
automação predial – 802.15.4 também enfrentarão a concorrên-
cia da BLE. A WLAN será usada em dispositivos onde o custo e 
o baixo consumo de energia são menos importantes, bem como 
uma espinha dorsal sem fio em combinação com outras tecnolo-
gias sem fio.
4-14
	� EXERCÍCIOS PROPOSTOS
01 Observe as afirmações abaixo:
I) O ritmo de desenvolvimento da IoT está acima das expectativas. É realis-
ta imaginar que nos próximos anos nossos apartamentos serão equipados 
com sensores conectados à Internet, e todos os eletrodomésticos podem 
ser controlados usando aplicativos móveis.
II) Tecnologias básicas já não são muito conhecidas hoje em dia, por isso a 
questão está por trás de sua otimização.
III) A Internet das Coisas resolve vários problemas básicos: como coletar 
dados com consumo mínimo de recursos, como processá-los rapidamente, 
como transferi-los de forma rápida, econômica e segura e, finalmente, como 
otimizar seu armazenamento.
Estão CORRETAS:
▢ -a) I e II
▢ -b) II somente
▢ -c) I e III
▢ -d) III somente
▢ -e) II e III
02 A gama de tecnologias possíveis usadas para transmitir o tráfego de In-
ternet das Coisas abrange:
▢ -a) Campo mobile e em segurança.
▢ -b) Redes sem fio e com fio.
▢ -c) Ritmo de desenvolvimento da IoT.
▢ -d) Coletar dados com consumo máximo de recursos.
▢ -e) Econômica e segurança
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
4-15
03 As redes sem fio para internet das coisas são divididas, uma delas é 
Redes de área de baixa potência (LPWAN) que é a: 
▢ -a) Tecnologias baseadas no uso de padrões de rede celular na 
faixa licenciada.
▢ -b) Redes de curto alcance eficientes em termos de energia;
▢ -c) Redes de pequeno alcance eficientes em termos de energia;
▢ -d) Tecnologias baseadas no uso de padrões de rede de computa-
dores na faixa licenciada
▢ -e) Redes de longo alcance eficientes em termos de energia;
04 São construídos sobre o uso de uma banda de frequência não licenciada 
- Bandas ISM. Estamos falando:
▢ -a) Short Range e LPWAN
▢ -b) Redes sem fio e com fio.
▢ -c) Rede Celular
▢ -d) Gama de tecnologias
▢ -e) IoT
05 No setor de Curto Alcance, destaca-se o padrão IEEE 802.15.4, que define:
▢ -a) A tecnologias baseadas no uso de padrões de rede celular na 
faixa licenciada.
▢ -b) A camada física e o controle de acessopara a organização de 
redes pessoais eficientes em termos de energia, e é a base para 
protocolos como ZigBee, WirelessHart, MiWi, 6LoWPAN.
▢ -c) A gama de tecnologias possíveis usadas para transmitir o trá-
fego de Internet das Coisas abrange redes sem fio e com fio.
▢ -d) A transmissão de dados sem fio, qualidades como eficiência 
em condições de baixa velocidade, tolerância a falhas, adapta-
bilidade e a possibilidade de auto-organização desempenham 
um papel particularmente importante na construção da In-
ternet das Coisas.
▢ -e) Tecnologias baseadas em redes móveis usando bandas de fre-
quência licenciadas.
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
4-16
06 Observe as afirmações abaixo:
I) Separadamente, tecnologias baseadas em redes móveis usando bandas 
de frequência licenciadas são apontadas - eMTC, EC-GSM-IoT, padrões NB-
-IoT. eMTC e NB-IoT.
II) Entre as tecnologias com fio, um papel importante na penetração da 
Internet das Coisas é desempenhado por soluções PLC - tecnologias para 
construção de redes ao longo das linhas de energia, já que em muitos dis-
positivos há acesso a redes elétricas.
III) As tecnologias de implementação de IoT não conseguem ser classi-
ficadas à distância de dispositivos finais (sensores, atuadores, etc.) para 
acessar gateways.
Estão INCORRETAS:
▢ -a) I e II
▢ -b) II somente
▢ -c) I e III
▢ -d) II e III
▢ -e) III somente
07 Mais de 90% do mercado será ocupado por dispositivos localizados a 100 
metros de nó de acesso. Neste espaço, diversas tecnologias baseadas 
em padrões internacionais e soluções proprietárias competem, incluindo 
dispositivos conectados à rede global através de:
▢ -a) NFC e WLAN
▢ -b) Smartphones e roteadores domésticos
▢ -c) ZigBee e WirelessHart,
▢ -d) Padrão IEEE 802.15.4
▢ -e) Bandas ISM
08 O Ericsson Mobility Report leva em conta separadamente dispositivos IoT 
conectados através de redes de:
▢ -a) ZigBee e WirelessHart,
▢ -b) Padrão IEEE 802.15.4
▢ -c) NFC e WLAN
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
4-17
▢ -d) IoT celular e outras tecnologias de IoT não celulares.
▢ -e) Bandas ISM
09 De acordo com muitos especialistas, a conexão sem fio de “coisas” dis-
tribuídas em uma grande área será realizada principalmente através de: 
▢ -a) Redes de baixa potência
▢ -b) Redes de alta potência
▢ -c) Rede Celular
▢ -d) Redes de curto alcance
▢ -e) Redes sem fio para internet
10 Observe as afirmações abaixo:
I) De acordo com as previsões do Gartner e ZTE, as principais receitas do 
mercado de Internet das Coisas estarão concentradas no desenvolvimento e 
produção de dispositivos finais (35%);
II) E apenas 15% das receitas estarão concentradas nas operadoras de te-
lecomunicações, garantindo a construção e operação da infraestrutura de 
rede para transferência de dados entre dispositivos finais e servidores de 
aplicativos.
III) Segundo os autores deste artigo, a maioria das tecnologias descritas 
para a implementação da Internet das Coisas não ocupará seu nicho no 
futuro.
Estão INCORRETAS:
▢ -a) I e III
▢ -b) III somente
▢ -c) II e III
▢ -d) II somente
▢ -e) I somente
DISCIPLINA:
Arquiteturas Disruptivas, 
IOT, Big Data e 
Inteligência Artificial
UNIDADE 3: 
FUNDAMENTOS DA ARQUITETURA DE 
COMPUTAÇÃO EM NUVEM
Caro(a) Aluno(a)
Seja bem-vindo(a)!
Nesta terceira unidade, daremos orientações sobre os fundamentos da 
arquitetura de computação em nuvem, incluindo teoria e noções práticas.
Conteúdos da Unidade
Neste capítulo, iremos abordar sobre o os fundamentos teóricos sobre 
computação em nuvem, conceitos, funcionamentos e principais serviços, 
posteriormente será analisado as noções práticas desta tecnologia.
 9 Fundamentos Teóricos dos Serviços em Nuvem;
 9 Noções Práticas Básicas de Serviços em Nuvem.
Acompanhe os conteúdos desta unidade. Se preferir, vá assinalando os 
assuntos, à medida que for estudando.
Bons estudos!!!
DISCIPLINA:
Arquiteturas Disruptivas, 
IOT, Big Data e 
Inteligência Artificial
CAPÍTULO 5: 
FUNDAMENTOS TEÓRICOS DOS 
SERVIÇOS EM NUVEM
5-3
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
FU
N
D
A
M
EN
TO
S
 T
EÓ
R
IC
O
S
 D
O
S
 S
ER
V
IÇ
O
S
 E
M
 N
U
V
EM
5
5�1 FUNDAMENTOS
Recentemente, a frota de computadores e equipamentos mó-
veis tem aumentado. Se antes trabalhávamos com documentos em 
um computador, agora começamos a imprimir o artigo no escritó-
rio e terminá-lo em casa em um laptop, e na manhã seguinte ve-
mos no metrô em nosso smartphone. Desnecessário dizer que que-
ríamos que a versão mais recente do nosso arquivo fosse exibida 
automaticamente em cada um de nossos dispositivos. Hoje, tudo 
isso é possível graças aos chamados serviços de armazenamento 
de dados em nuvem. Graças a eles, podemos armazenar as versões 
mais recentes de documentos, tanto em servidores remotos quanto 
em todos os nossos dispositivos.
A relevância desse tema deve-se ao fato de que, devido ao 
rápido desenvolvimento de tecnologias, a principal ferramenta das 
empresas na concorrência por seu lugar são as informações. É im-
possível fazer um único adequado, oportuno, garantindo o sucesso 
de uma decisão de gestão sem ter informações sobre o problema 
sendo resolvido. Todos os dias na empresa há uma grande massa 
de informações necessárias para a tomada de decisões. Acumula-se 
em diversas fontes e repositórios, transformando-se na experiên-
cia do empreendimento. A cada ano essas informações se tornam 
cada vez mais e, consequentemente, a necessidade de poder com-
putacional para armazenar e processar uma quantidade tão grande 
de dados aumenta, o que leva a grandes gastos de tempo, dinheiro, 
recursos humanos e outros.
Portanto, as tecnologias em nuvem são cada vez mais utili-
zadas em muitos setores da economia e até mesmo em uma área 
ainda insuficientemente automatizada da economia da Federação 
Russa como serviços habitacionais e comunitários.
5-4
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
FU
N
D
A
M
EN
TO
S
 T
EÓ
R
IC
O
S
 D
O
S
 S
ER
V
IÇ
O
S
 E
M
 N
U
V
EM
5
5�2 Conceito e Classificação de Serviços em Nuvem
Recentemente, muitos usuários da Internet e dispositivos 
móveis modernos estão cada vez mais se perguntando como sal-
var mais informações necessárias e ter acesso a ela de qualquer 
lugar conveniente. É para tais propósitos e tarefas que os bancos 
de dados virtuais foram inventados, ou melhor, para armazenar 
informações pessoais em servidores na Internet.
Então, o que é esse “Armazenamento em Nuvem”? Essen-
cialmente, é uma ótima maneira de fazer backup de seus arquivos 
mais importantes (fotos, vídeos, documentos, programas, 
etc.). Por exemplo, mais cedo você ia visitar amigos, tirava com 
você álbuns de fotos ou, digamos, vídeos em discos de CD, com 
o advento de computadores e unidades compactas (pen drives, 
cartões de memória, etc.) os levou. E agora imagine que ago-
ra basta ter acesso ao armazenamento virtual, você pode mostrar 
qualquer arquivo para qualquer pessoa, mesmo do computador de 
outra pessoa, ou dizer um tablet.
O armazenamento em nuvem de informações também é cha-
mado - serviços em nuvem.
Vale ressaltar também que os benefícios desses armazena-
mentos também são muito grandes devido ao fato de que o maior 
deles proporciona a capacidade de uso em dispositivos móveis, 
como smartphones, tablets e celulares. Ao instalar o programa 
cliente em seu computador e baixar os arquivos que você precisa ar-
mazenar ou compartilhar, você também pode vê-los e gerenciá-los 
em seus dispositivos móveis. Ou seja, as coisas mais necessárias 
agora podem ser sempre com você, mesmo independentemente de 
você ter um telefone com você ou não. Afinal, mesmo deixando o 
telefone em casa (acidentalmente esquecendo-o, com quem 
5-5
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
FU
N
D
A
M
EN
TO
S
 T
EÓ
R
IC
O
S
 D
O
S
 S
ER
V
IÇ
O
S
 E
M
 N
U
V
EM
5
isso não acontece), você pode vir trabalhar para ter acesso às 
informações necessárias e continuar trabalhandocom ele.
Os serviços em nuvem são incrivelmente convenientes e po-
pulares, uma vez que esse armazenamento é acessível a partir de 
qualquer equipamento de computador conectado à Internet. Além 
disso, o mesmo arquivo pode estar disponível para trabalho por 
vários internautas localizados em diferentes partes do globo.
Fundamentalmente, trabalhar com um serviço de comparti-
lhamento de arquivos em nuvem é muito parecido com trabalhar 
com um serviço regular de compartilhamento de arquivos, apenas 
com capacidades muito maiores. Se em um serviço regular de com-
partilhamento de arquivos apenas baixar, carregar e excluir arqui-
vos for fornecido, então no armazenamento em nuvem um conjun-
to completo de trabalho de arquivo é possível - edição, renomeação 
e todas as outras ações que somente a tecnologia de computador 
permite. (Grubin, 2011).
Armazenar dados na nuvem permite que os departamentos 
de TI repensem fundamentalmente três aspectos de seus negócios. 
(Pluzhnik; Nikulchev, 2013)
Vantagens do armazenamento em nuvem:
1) Custo total de propriedade: Com o armazenamento 
em nuvem, você não precisa comprar hardware, dedicar 
recursos de armazenamento ou gastar dinheiro em algo 
que “será útil algum dia”. Você pode adicionar ou remo-
ver recursos sob demanda, alterar rapidamente os perío-
dos de desempenho e retenção. E, ao mesmo tempo, você 
pagará apenas pelos recursos utilizados. Dados que não 
são usados com tanta frequência podem ser automatica-
mente movidos para níveis mais econômicos de acordo 
5-6
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
FU
N
D
A
M
EN
TO
S
 T
EÓ
R
IC
O
S
 D
O
S
 S
ER
V
IÇ
O
S
 E
M
 N
U
V
EM
5
com certas regras que são facilmente controladas. Isso 
permite que você economize em volume.
2) Hora de implantação: Quando as equipes de desen-
volvimento estão prontas para lançar projetos, a infraes-
trutura não deve limitá-los. O armazenamento em nuvem 
permite que os profissionais de TI provisionem rapida-
mente o espaço de armazenamento necessário exatamen-
te quando precisam. Como resultado, os profissionais de 
TI podem se concentrar em resolver problemas comple-
xos relacionados a aplicativos em vez de gerenciar siste-
mas de armazenamento.
3) Gestão da Informação: O armazenamento centrali-
zado na nuvem cria enormes oportunidades para novos 
casos de uso. Usando políticas de gerenciamento do ciclo 
de vida de armazenamento em nuvem, você pode lidar 
com tarefas importantes de gerenciamento de informa-
ções, incluindo hierarquização automática ou bloqueio 
de dados para fins de conformidade.
Garantir o armazenamento, a segurança e a disponibilidade 
confiáveis de dados corporativos críticos é de suma importância. 
Ao considerar a opção de armazenar dados na nuvem, existem vá-
rios requisitos fundamentais.
Requisitos para armazenamento em nuvem:
1) Confiabilidade: Os dados devem ser armazenados de 
forma redundante. Idealmente, eles devem ser distribu-
ídos entre vários objetos e vários dispositivos dentro de 
cada um dos objetos. Desastres naturais, erros humanos 
ou defeitos mecânicos não devem levar à perda de dados.
5-7
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
FU
N
D
A
M
EN
TO
S
 T
EÓ
R
IC
O
S
 D
O
S
 S
ER
V
IÇ
O
S
 E
M
 N
U
V
EM
5
2) Disponibilidade: Todos os dados devem estar disponí-
veis no caso de necessidade, mas há uma diferença entre 
dados de produção e arquivos. O armazenamento em nu-
vem perfeito oferece a combinação ideal entre o tempo de 
recuperação de dados e o custo.
3) Segurança: Idealmente, todos os dados devem ser crip-
tografados – tanto em repouso quanto em trânsito. As per-
missões e o controle de acesso devem funcionar na nuvem, 
assim como fazem em armazenamentos de dados no local.
Existem três tipos de armazenamento em nuvem, cada 
um oferecendo benefícios únicos e seus próprios casos de uso. 
(Gillam, 2010):
1) Armazenamento de objetos: Aplicativos desenvol-
vidos na nuvem normalmente exigem os benefícios do 
armazenamento de objetos, como escalabilidade rica e 
características de metadados. O armazenamento de ob-
jetos, por exemplo, é ideal para desenvolver aplicações 
modernas do zero quando a flexibilidade e a escalabilida-
de são necessários. Você também pode usar esses cofres 
para importar dados de repositórios existentes para fins 
de análise, backup ou arquivamento.
2) Armazenamento de arquivos: Alguns aplicativos 
precisam acessar arquivos compartilhados, então eles 
precisam de um sistema de arquivos. Esse tipo de arma-
zenamento é frequentemente suportado por um servidor 
de armazenamento conectado à rede (NAS). As soluções 
de armazenamento de arquivos são ideais para casos de 
uso, como grandes repositórios de conteúdo, ambientes 
5-8
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
FU
N
D
A
M
EN
TO
S
 T
EÓ
R
IC
O
S
 D
O
S
 S
ER
V
IÇ
O
S
 E
M
 N
U
V
EM
5
de desenvolvimento, lojas de mídia ou diretórios pessoais 
dos usuários.
3) Bloqueie o armazenamento: Outros aplicativos cor-
porativos, como bancos de dados ou sistemas de plane-
jamento de recursos corporativos (ERP), muitas vezes 
requerem armazenamento dedicado e de baixa latência 
para cada nó. Esse tipo de armazenamento é análogo 
às redes de armazenamento (DAS) ou redes de área de 
armazenamento (SANs) de armazenamento conectado 
direto. O armazenamento de blocos é provisionado com 
cada servidor virtual e oferece armazenamento de dados 
persistente para cargas de trabalho caracterizadas por li-
gas e desliga frequentes.
Cinco maneiras de usar o armazenamento em nuvem:
1) Backup e recuperação são fundamentais para a proteção 
e disponibilidade de dados, mas atender às crescentes 
necessidades de recursos pode ser um desafio constan-
te. O armazenamento em nuvem fornece baixa custo, alta 
confiabilidade e escalabilidade praticamente ilimitada 
para soluções de backup e recuperação. As políticas in-
corporadas de gerenciamento de dados podem migrar 
automaticamente os dados para níveis de armazenamen-
to mais econômicos com base em configurações de fre-
quência ou tempo, permitindo que você crie repositórios 
de arquivamento para ajudá-lo a atender aos requisitos 
legais ou regulamentares. Esses benefícios proporcionam 
ampla escalabilidade nos setores de serviços financeiros, 
saúde e mídia, onde grandes quantidades de dados estão 
5-9
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
FU
N
D
A
M
EN
TO
S
 T
EÓ
R
IC
O
S
 D
O
S
 S
ER
V
IÇ
O
S
 E
M
 N
U
V
EM
5
constantemente sendo criados com a necessidade de re-
tenção a longo prazo.
2) Testes e Desenvolvimento de software: Os ambien-
tes de teste e desenvolvimento de software geralmente 
requerem a criação, o uso e a remoção subsequente de 
ambientes de armazenamento separados, independen-
tes e duplicados. Além dos custos de tempo, esses pro-
cessos envolvem investimentos iniciais sérios. Algumas 
das maiores e mais rentáveis empresas do mundo foram 
capazes de construir aplicativos em tempo recorde graças 
à flexibilidade, desempenho e baixo custo de armazena-
mento em nuvem. Mesmo os sites estáticos mais simples 
podem ser melhorados a um custo mínimo. Desenvolve-
dores de todo o mundo estão se voltando para soluções 
de armazenamento pagas que os salvam do incômodo de 
gerenciar e escalar.
3) Migração de dados para a nuvem: A disponibilida-
de, confiabilidade e benefícios financeiros do armazena-
mento em nuvem podem parecer muito atraentes para os 
proprietários de negócios, mas para aqueles encarrega-
dos da TI tradicional (por exemplo, armazenamen-
to, backup, rede, segurança e gerentes de confor-
midade), a migração prática de grandes quantidades de 
dados para a nuvem é muitas vezes um grande desafio. 
Os serviços de migração de dados em nuvem simplificam 
a migração do armazenamento para a nuvem e resolvem 
problemas associados a altos custos de rede, transferên-
cias longas de dados e problemas de segurança.
4) Arquivamento e conformidade:O armazenamen-
to de dados na nuvem pode levantar problemas regula-
tórios e de conformidade, especialmente se os dados já 
5-10
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
FU
N
D
A
M
EN
TO
S
 T
EÓ
R
IC
O
S
 D
O
S
 S
ER
V
IÇ
O
S
 E
M
 N
U
V
EM
5
estiverem em sistemas de armazenamento que são limi-
tados por determinados requisitos. As ferramentas de 
conformidade baseadas em nuvem garantem que você 
possa implantar e habilitar facilmente ferramentas de 
conformidade para armazenamentos de dados indivi-
duais com políticas bloqueadas. Você pode especificar 
opções especiais, como “Read-Once Writes” (WORM), 
para bloquear os dados de alterações adicionais. As solu-
ções de log de auditoria podem ajudá-lo a atender a todas 
as suas necessidades de conformidade para armazena-
mento e arquivamento em nuvem.
5) Big Data e Data Lakes: As soluções tradicionais de 
armazenamento no local podem se mostrar imprevisí-
veis em termos de custo, desempenho e escalabilidade, 
especialmente com o tempo. Projetos de big data exigem 
pools de data warehouse em larga escala, acessíveis e 
confiáveis e altamente disponíveis. Muitas vezes, essas 
piscinas são referidas como “Data Lakes”. Os Data Lakes 
construídos com base nas informações do armazenamen-
to de objetos armazenam em sua forma original e con-
têm metadados estendidos que permitem extrair e usar 
seletivamente dados para análise. Data Lakes em nu-
vem podem estar localizados no centro de qualquer tipo 
de sistemas de armazenamento e processamento de big 
data e mecanismos de análise, permitindo que você com-
plete o próximo projeto mais rápido e com maior grau 
de relevância.
5-11
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
FU
N
D
A
M
EN
TO
S
 T
EÓ
R
IC
O
S
 D
O
S
 S
ER
V
IÇ
O
S
 E
M
 N
U
V
EM
5
5�3 Arquitetura de computação em nuvem
A computação em nuvem é um modelo de fornecer a possibi-
lidade de acesso onipresente e conveniente à rede sob demanda a 
um pool de recursos de computação configuráveis compartilhados 
(por exemplo, redes, servidores, instalações de armaze-
namento, aplicativos e serviços), que podem ser rapidamente 
fornecidos e liberados com mínimo esforço de gerenciamento ou 
interação com o provedor (provedor). Este modelo de nuvem é 
representado (descrito) por cinco características principais, três 
modelos de serviço e quatro modelos de implantação.[9]
As principais características da computação em nuvem 
que os distinguem de outros tipos de computação (recursos 
da Internet):
1) Autoatendimento sob demanda: O consumidor, con-
forme necessário, automaticamente, sem interação com 
cada prestador de serviços, pode determinar e alterar in-
dependentemente o poder de computação, como o tempo 
do servidor, a quantidade de armazenamento de dados.
2) Acesso amplo (universal) à rede: Os recursos de 
computação estão disponíveis em longas distâncias por 
toda a rede através de mecanismos padrão, o que contribui 
para o uso generalizado de plataformas clientes heterogê-
neas (finas ou grossas) (dispositivos terminais).
3) Recursos de pool: Os recursos computacionais confi-
guráveis do provedor são combinados em um único pool 
para compartilhar recursos distribuídos com um grande 
número de consumidores.
4) Elasticidade de recursos instantâneos (escalabi-
lidade instantânea): Os serviços em nuvem podem ser 
5-12
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
FU
N
D
A
M
EN
TO
S
 T
EÓ
R
IC
O
S
 D
O
S
 S
ER
V
IÇ
O
S
 E
M
 N
U
V
EM
5
rapidamente entregues, expandidos, compactados e libe-
rados com base nas necessidades do consumidor.
5) Serviço medido (contabilidade do serviço consu-
mido e possibilidade de pagamento por serviços 
que realmente foram utilizados): Os sistemas em 
nuvem gerenciam e otimizam automaticamente o uso de 
recursos, fazendo medições em algum nível de abstração 
correspondente ao tipo de serviço.
Se o modelo (conceito) de fornecer recursos de computa-
ção configuráveis distribuídos e compartilhados corresponde às 
características acima, então isso é computação em nuvem.
Modelos de serviço de computação em nuvem ou computa-
ção em nuvem: (Gillam, 2010)
1) Software as a Service (SaaS): software como servi-
ço. Neste modelo de provisionamento de computação em 
nuvem, o consumidor usa os aplicativos do provedor em 
execução na infraestrutura em nuvem, que são acessíveis 
ao cliente através de uma interface (navegador web) 
ou de uma interface de programa. Os consumidores não 
podem gerenciar e controlar a infraestrutura subjacente 
da nuvem, incluindo a rede, servidores, sistemas opera-
cionais, armazenamentos de dados ou mesmo alterar as 
configurações de um determinado aplicativo.
2) Plataforma como Serviço (PaaS): Plataforma como 
Serviço. Um modelo para fornecer computação em nu-
vem, no qual o consumidor tem acesso ao uso de uma 
plataforma de software: sistemas operacionais, DBMS, 
software de aplicativos, desenvolvimento de software e 
ferramentas de teste. Na verdade, o consumidor aluga 
5-13
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
FU
N
D
A
M
EN
TO
S
 T
EÓ
R
IC
O
S
 D
O
S
 S
ER
V
IÇ
O
S
 E
M
 N
U
V
EM
5
uma plataforma de computador com um sistema ope-
racional instalado e ferramentas especializadas para o 
desenvolvimento, hospedagem e gerenciamento de apli-
cações web. O consumidor não gerencia a infraestrutura 
central da nuvem, incluindo a rede, servidores, sistemas 
operacionais ou armazenamentos de dados, mas gerencia 
os aplicativos implantados e possivelmente as configura-
ções do ambiente.
3) Infraestrutura como Serviço (IaaS): Infraestrutura 
como Serviço. O modelo de fornecimento de computação 
em nuvem, no qual o consumidor tem a oportunidade de 
gerenciar os meios de processamento e armazenamento, 
bem como outros recursos fundamentais de computação 
(servidores virtuais e infraestrutura de rede), nos 
quais ele pode instalar sistemas operacionais e progra-
mas de aplicativos de forma independente para seus pró-
prios propósitos. Na verdade, o consumidor aluga poder 
de computação abstrato (tempo do servidor, espaço 
em disco e largura de banda de rede) ou usa ser-
viços de terceirização de infraestrutura de TI. O consu-
midor não gerencia a infraestrutura central da nuvem, 
mas gerencia os sistemas operacionais, armazenamento 
e aplicativos que implanta.
Modelos de implantação de computação em nuvem, 
ou seja, computação em nuvem:
1) Nuvem privada: infraestrutura projetada para usar a 
computação em nuvem na escala de uma organização.
2) Nuvem comunitária: Infraestrutura em nuvem proje-
tada para o uso exclusivo da computação em nuvem por 
5-14
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
FU
N
D
A
M
EN
TO
S
 T
EÓ
R
IC
O
S
 D
O
S
 S
ER
V
IÇ
O
S
 E
M
 N
U
V
EM
5
uma determinada comunidade de consumidores de orga-
nizações que resolvem problemas comuns.
3) Nuvem pública: infraestrutura projetada para uso gra-
tuito da computação em nuvem pelo público em geral.
4) A nuvem híbrida é uma combinação de diferentes infra-
estruturas em nuvem (privadas, públicas ou comu-
nidades) que permanecem objetos únicos, mas são in-
terconectadas por tecnologias padronizadas ou privadas 
que fornecem a capacidade de trocar dados e aplicativos.
Com base na definição acima de computação em nuvem, os 
serviços em nuvem podem ser representados como um modelo de 
várias camadas composto por camadas: IaaS, PaaS, SaaS. A base 
ou base dos serviços em nuvem é a infraestrutura física, ou seja, 
servidores, armazenamento, redes e software de sistema Cloud 
data center (data center em nuvem) ou redes de Data centers 
em nuvem interconectadas.
Data centers ou data centers (DPC) abrigam hardware fí-
sico ou hardware físico (servidores, data warehouses, esta-
ções de trabalho), software de sistema (SO, virtualização e 
automação), software de ferramentas e aplicativos, sistemas de 
gerenciamento de equipamentos,infraestrutura de rede: rotea-
dores e switches para conectar e combinar equipamentos físicos. 
Além disso, o funcionamento normal dos data centers é forneci-
do por sistemas de suporte à engenharia (Sistemas de supor-
te à engenharia).
IaaS é o fornecimento de infraestrutura de computadores 
e rede (servidores, armazenamento, rede) ao usuário e sua 
manutenção como serviço na forma de virtualização, ou seja, infra-
estrutura virtual. Em outras palavras, com base na infraestrutura 
5-15
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
FU
N
D
A
M
EN
TO
S
 T
EÓ
R
IC
O
S
 D
O
S
 S
ER
V
IÇ
O
S
 E
M
 N
U
V
EM
5
física de data centers ou data centers, o provedor (provedor) cria 
uma infraestrutura virtual que fornece aos usuários como um ser-
viço. As ferramentas de virtualização permitem transformar a in-
fraestrutura física dos data centers em uma virtual e, assim, criar a 
primeira camada de serviços em nuvem - IaaS.
O que é virtualização? A tecnologia de virtualização de 
recursos permite que equipamentos físicos (servidores, data 
warehouses, redes de dados) sejam divididos entre os usu-
ários em várias partes que eles usam para executar tarefas atuais. 
Por exemplo, em um servidor físico, você pode executar centenas 
de servidores virtuais, e o usuário pode alocar tempo para acessá-
-los para resolver problemas. A virtualização pode ser implemen-
tada tanto no nível do software quanto no nível de hardware.
Assim, o usuário é fornecido com um poder de computação 
elástico abstrato, por exemplo, não um servidor ou servidores, mas 
o tempo do servidor para processar suas tarefas. Não discos para 
armazenamento de dados, mas o espaço de disco necessário, não 
canais de comunicação, mas a largura de banda da rede de circui-
tos de comutação necessários para resolver problemas.
Além da virtualização, a automação é usada para criar o IaaS, 
que fornece distribuição dinâmica de recursos sem a participação 
do pessoal do prestador de serviços, ou seja, o sistema pode adicio-
nar ou diminuir automaticamente o número de servidores virtuais, 
espaço em disco para armazenamento de dados ou alterar a largu-
ra de banda da rede dos canais de comunicação. A virtualização e a 
automação garantem a eficiência do uso de recursos de computa-
ção e reduzem o custo de aluguel de um serviço de IaaS em nuvem.
Como regra geral, o IaaS é alugado (o serviço IaaS é pres-
tado em uma base terceirizada) aos usuários corporativos. 
Ou seja, os usuários recebem recursos integrados para criar sua 
5-16
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
FU
N
D
A
M
EN
TO
S
 T
EÓ
R
IC
O
S
 D
O
S
 S
ER
V
IÇ
O
S
 E
M
 N
U
V
EM
5
própria infraestrutura de computação. Neste caso, o usuário deve 
instalar e configurar o SO e os programas necessários para execu-
tar tarefas de produção ou desenvolver aplicativos.
O conceito de IaaS permite que o usuário compre apenas o 
poder de computação que ele precisa para realizar tarefas especí-
ficas. Serviços adicionais de IaaS podem incluir conectar qualquer 
equipamento físico do usuário à plataforma em nuvem e colocá-lo 
na rede de data centers.
Infraestrutura como serviço é uma solução de nível empre-
sarial para empresas de todos os portes. A infraestrutura pode 
ser colocada tanto no data center corporativo quanto em um data 
center externo. Os serviços iaaS são projetados para construir e 
consumir ambientes seguros de nuvem privada, pública e híbrida. 
Os fornecedores podem habilitar configurações em nuvem híbrida 
que combinam redes no local no escritório do cliente com redes de 
plataforma em nuvem. (Fediv, 2011).
Além disso, os serviços de IaaS de computação em nuvem in-
cluem hospedagem em nuvem (Cloud Hosting). A hospedagem 
em nuvem é uma hospedagem que pode fornecer alocação dinâmi-
ca de recursos, tem a capacidade de dimensionar automaticamente 
os recursos e aumentou a tolerância a falhas. A hospedagem em 
nuvem é uma alternativa significativa para a hospedagem compar-
tilhada, hospedagem em um servidor VPS/VDS virtual dedicado 
e hospedagem em um servidor físico dedicado.
O provedor de Hospedagem em Nuvem fornece aos proprie-
tários do site apenas os recursos necessários para o site: servidores 
virtuais, a quantidade de RAM e a quantidade de disco rígido, bem 
como a capacidade de gerenciar a infraestrutura de hospedagem 
(por exemplo, a escolha do sistema operacional, a quan-
tidade de RAM, o tamanho e o tipo de HDD, o número de 
5-17
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
FU
N
D
A
M
EN
TO
S
 T
EÓ
R
IC
O
S
 D
O
S
 S
ER
V
IÇ
O
S
 E
M
 N
U
V
EM
5
núcleos de CPU, a frequência do relógio e a velocidade de 
acesso). O pagamento para alugar hospedagem em nuvem só é 
feito após o fato de recursos já consumidos: a quantidade de tempo 
de CPU, a quantidade de espaço em disco, a quantidade de RAM 
consumida e a velocidade de acesso ao site.
Se necessário, o inquilino (proprietário do site) da hos-
pedagem em nuvem pode alterar os recursos de hospedagem ou 
configurá-los para aumentar automaticamente os recursos quando 
a carga aumenta, mas ele sempre pagará apenas pelos recursos já 
consumidos. A hospedagem em nuvem aumentou a tolerância a 
falhas, uma vez que o site hospedado nele está simultaneamente 
em vários servidores virtuais e a falha de um deles não afetará o 
funcionamento do site.
Atualmente, os hosters oferecem hospedagem em nuvem 
para aluguel com um CMS pré-instalado. Os provedores de hos-
pedagem para a organização de tal hospedagem em nuvem podem, 
por exemplo, implantar em seus servidores uma Jelastic de plata-
forma como infraestrutura com CMS pré-instalado. A Jelastic for-
nece uma plataforma como infraestrutura na forma de uma pilha 
completa que permite a implantação de hospedagem em nuvem na 
infraestrutura física do data center do provedor de hospedagem.
A funcionalidade da plataforma Jelastic permite instalar 
CMS embutidos com um ambiente web otimizado, por exemplo, 
Jelastic no Infobox, com um clique. Jelastic é um produto que in-
clui a funcionalidade PaaS e uma infraestrutura IaaS facilmente 
configurável. A Jelastic é uma plataforma para a execução de apli-
cativos Java e PHP e pode ser usada não apenas por hosters para 
organizar hospedagem em nuvem, mas também por corporações 
para criar um ambiente de desenvolvimento (nuvens privativas 
ou híbridas) de aplicações web.
5-18
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
FU
N
D
A
M
EN
TO
S
 T
EÓ
R
IC
O
S
 D
O
S
 S
ER
V
IÇ
O
S
 E
M
 N
U
V
EM
5
Na hospedagem em nuvem, hospedar sites em nuvem são 
aplicações modernas em nuvem. Em sites em nuvem (aplicati-
vos em nuvem), os dados são armazenados em bancos de dados 
em nuvem, aplicativos de servidores de sites são armazenados e 
executados em servidores virtuais em nuvem, e a parte cliente do 
site é executada no navegador do usuário.
O serviço PaaS fornece uma plataforma de software e sua 
manutenção como um serviço que consiste em:
1) SO: Sistema operacional de rede (sistemas Unix in-
cluindo Ubuntu Server, BSD/OS Family, Solaris/
Sun OS, etc. ou Windows Server);
2) Database: Sistema de gerenciamento de banco de da-
dos (MySQL, Microsoft SQL, SQL Database, Post-
greSQL, Oracle, etc.);
3) Middleware: software de camada média ou software de 
ligação (middleware), que foi projetado para fornecer in-
teração entre vários aplicativos, sistemas e componentes;
4) Ferramentas de desenvolvimento de software e 
testes: software de ferramentas para o desenvolvimento 
de aplicações web e seus testes (ambiente de desen-
volvimento de software: estruturas de software, 
bibliotecas, etc. para a criação de aplicações web 
em linguagens de programação: Python, Java, 
PHP, Ruby, JS for Node.js, etc.),
5) App servidor é um servidor de aplicativos para desenvol-
ver, testar, depurar e executar aplicativos web.
Assim, o PaaS oferece aos desenvolvedores de software as 
ferramentas para desenvolver, testar,implantar e suportar uma 
variedade de aplicativos. Além disso, o usuário é fornecido com 
5-19
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
FU
N
D
A
M
EN
TO
S
 T
EÓ
R
IC
O
S
 D
O
S
 S
ER
V
IÇ
O
S
 E
M
 N
U
V
EM
5
ferramentas de administração e gestão. O PaaS é usado principal-
mente para desenvolver e hospedar aplicações web (por exem-
plo, aplicativos distribuídos relacionados - mashups 
SaaS, sites em nuvem, etc.).
De acordo com o esquema SaaS, os seguintes tipos de aplica-
tivos em nuvem e sua manutenção são fornecidos: Aplicativos de 
Negócios, Aplicativos Web do Office, Aplicativos de Gestão, Comu-
nicações, Segurança, etc. O SaaS mais difundido foi nos Estados 
Unidos. As aplicações em nuvem mais populares são: CRM (sis-
tema de gestão de relacionamento com o cliente), HRM 
(sistema de gestão de pessoas, ou seja, com pessoal), ERP 
(sistema de planejamento de recursos corporativos, por 
exemplo, 1C), aplicativos de escritório, ferramentas de comuni-
cação, etc. Salesforce.com é o maior fornecedor mundial de aplica-
ções de CRM em nuvem.
Meios de comunicação significam correspondência eletrô-
nica (por exemplo, Gmail), bate-papos de áudio e vídeo (por 
exemplo, Microsoft Lync Online), Cloud PBX ou CLOUD 
PBX (por exemplo, PBX Mango-Office virtual), MDM (Mo-
bile Device Management - gerenciamento de dispositivos 
móveis). O serviço MDM baseado em nuvem foi projetado para 
trabalhar com sistemas corporativos usando dispositivos móveis.
Em vários dispositivos móveis que funcionam sob o controle 
do sistema MDM baseado em nuvem, os aplicativos, os chamados 
agentes, são instalados. Esses aplicativos fornecem configuração 
centralizada de dispositivos móveis e acesso à rede corporativa da 
empresa como um serviço saas em nuvem. Como regra geral, as 
ferramentas de comunicação em nuvem são integradas com ou-
tros serviços saas, por exemplo, CRM + MDM, Office Web Apps + 
Lync Online, Google Docs + Gmail + Hangouts, etc.
5-20
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
FU
N
D
A
M
EN
TO
S
 T
EÓ
R
IC
O
S
 D
O
S
 S
ER
V
IÇ
O
S
 E
M
 N
U
V
EM
5
Os principais consumidores do SaaS são as pequenas e mé-
dias empresas. A maioria dos aplicativos SaaS são projetados para 
apoiar a colaboração entre os colaboradores. A arquitetura de apli-
cativos saaS, na qual uma única instância de um aplicativo exe-
cutado em um servidor atende a muitos consumidores, é multi-
-inquilino, ou seja, cada consumidor é fornecido com sua própria 
instância de aplicativo virtual no processo de execução de tarefas.
5-21
	� EXERCÍCIOS PROPOSTOS
01 Observe as afirmações abaixo:
I) Recentemente, a frota de computadores e equipamentos móveis tem au-
mentado. Se antes trabalhávamos com documentos em um computador, 
agora começamos a imprimir o artigo no escritório e terminá-lo em casa 
em um laptop, e na manhã seguinte vemos no metrô em nosso smartphone.
II) Hoje, tudo isso é possível graças aos chamados serviços de armazena-
mento de dados em banco de dados. Graças a eles, podemos armazenar as 
versões mais recentes de documentos, tanto em servidores remotos quanto 
em todos os nossos dispositivos.
III) As tecnologias em nuvem são cada vez mais utilizadas em muitos se-
tores da economia e até mesmo em uma área ainda insuficientemente au-
tomatizada da economia da Federação Russa como serviços habitacionais 
e comunitários.
Estão CORRETAS:
▢ -a) I e II
▢ -b) II somente
▢ -c) II e III
▢ -d) I somente
▢ -e) I e III
02 Essencialmente, é uma ótima maneira de fazer backup de seus arquivos 
mais importantes (fotos, vídeos, documentos, programas, etc.). Estamos 
falando sobre o: 
▢ -a) CD
▢ -b) Armazenamento em Nuvem
▢ -c) Pen drive
▢ -d) Disquete
▢ -e) Cartões de memória
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
5-22
03 Observe as afirmações abaixo:
I) Os serviços em nuvem são incrivelmente convenientes e populares, uma 
vez que esse armazenamento é acessível a partir de qualquer equipamento 
de computador conectado à Internet.
II) Fundamentalmente, trabalhar com um serviço de compartilhamento de 
arquivos em nuvem é muito parecido com trabalhar com um serviço regular 
de compartilhamento de arquivos, apenas com capacidades muito menores.
III) Se em um serviço regular de compartilhamento de arquivos apenas bai-
xar, carregar e excluir arquivos for fornecido, então no armazenamento em 
nuvem um conjunto completo de trabalho de arquivo não é possível edição, 
renomeação e todas as outras ações que somente a tecnologia de compu-
tador permite.
Estão CORRETAS:
▢ -a) I somente 
▢ -b) II e III
▢ -c) I e III
▢ -d) II somente
▢ -e) III somente
04 Armazenar dados na nuvem permite que os departamentos de TI repen-
sem fundamentalmente três aspectos de seus negócios. È considerada 
umas das vantagens do armazenamento em nuvem:
▢ -a) Os dados são armazenados de forma redundante. 
▢ -b) Todos os dados estão disponíveis no caso de necessidade.
▢ -c) Custo total de propriedade. Com o armazenamento em nu-
vem, você não precisa comprar hardware, dedicar recursos 
de armazenamento ou gastar dinheiro em algo que “será útil 
algum dia”.
▢ -d) Todos os dados devem ser criptografados – tanto em repouso 
quanto em trânsito.
▢ -e) Armazenamento de objetos
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
5-23
05 Ao considerar a opção de armazenar dados na nuvem, existem vários 
requisitos fundamentais. Um deles fala que os dados devem ser armaze-
nados de forma redundante. Estamos falando do requisito de:
▢ -a) Segurança.
▢ -b) Disponibilidade.
▢ -c) Hora de implantação
▢ -d) Custo total de propriedade
▢ -e) Confiabilidade
06 Existem três tipos de armazenamento em nuvem, cada um oferecendo 
benefícios únicos e seus próprios casos de uso que são:
▢ -a) Armazenamento de Confiabilidade, Armazenamento de Se-
gurança e Armazenamento de Disponibilidade.
▢ -b) Armazenamento de objetos, Armazenamento de arquivos e 
bloqueie o armazenamento
▢ -c) Armazenamento de arquivos, Armazenamento de Confiabili-
dade e Armazenamento de objetos
▢ -d) Armazenamento de objetos, bloqueie o armazenamento e Ar-
mazenamento de Disponibilidade.
▢ -e) Armazenamento de Confiabilidade, Armazenamento de Se-
gurança e Armazenamento de arquivos
07 Geralmente requerem a criação, o uso e a remoção subsequente de am-
bientes de armazenamento separados, independentes e duplicados. Es-
tamos falando de: 
▢ -a) Backup e recuperação
▢ -b) Migração de dados para a nuvem
▢ -c) Arquivamento e conformidade
▢ -d) Big Data e Data Lakes
▢ -e) Testes e Desenvolvimento de software
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
5-24
08 É considerada uma das principais características da computação em nuvem 
que os distinguem de outros tipos de computação (recursos da Internet):
▢ -a) Migração de dados para a nuvem
▢ -b) Acesso amplo (universal) à rede
▢ -c) Backup e recuperação
▢ -d) Big Data e Data Lakes
▢ -e) Arquivamento e conformidade
09 Um modelo para fornecer computação em nuvem, no qual o consumidor 
tem acesso ao uso de uma plataforma de software: sistemas operacio-
nais, DBMS, software de aplicativos, desenvolvimento de software e fer-
ramentas de teste. Esse conceito está associado a:
▢ -a) Plataforma como Serviço (PaaS) - Plataforma como Serviço
▢ -b) Software as a Service (SaaS) - software como serviço
▢ -c) Infraestrutura como Serviço (IaaS)
▢ -d) Arquivamento e conformidade
▢ -e) Migração de dados para a nuvem
10 Observe as afirmações abaixo:
I) Nuvem privada, Nuvem comunitária, Nuvem pública e nuvem híbrida, são 
modelos de implantação de computação em nuvem, ou seja, computação 
em nuvem.
II) Os serviços em nuvem podem ser representados como um modelo de 
várias camadas composto por camadas: IaaS, PaaS, SaaS.
III) IaaS é o fornecimento de infraestrutura de smatphones e rede (servido-
res, armazenamento, rede) ao usuário e sua manutenção como serviço na 
forma de virtualização, ou seja, infraestrutura virtual.
Estão INCORRETAS:
▢ -a) I e III
▢ -b) II somente
▢ -c) II e III
▢ -d) III somente▢ -e) I somente
DISCIPLINA:
Arquiteturas Disruptivas, 
IOT, Big Data e 
Inteligência Artificial
CAPÍTULO 6: 
NOÇÕES PRÁTICAS BÁSICAS 
DE SERVIÇOS EM NUVEM
6-2
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
N
O
Ç
Õ
ES
 P
R
ÁT
IC
A
S
 B
Á
S
IC
A
S
 D
E 
S
ER
V
IÇ
O
S
 E
M
 N
U
V
EM
6
6�1 FUNDAMENTOS
6.1.1 Vantagens e desvantagens das tecnologias 
de informação em nuvem
As tecnologias em nuvem hoje se tornaram um dos tópicos 
mais populares no campo das tecnologias de TI. Tecnologias em 
nuvem - um serviço para a prestação de serviços, recursos de com-
putação, aplicativos aos usuários através de acesso remoto, usando 
a Internet global. (Radchenko, 2012.).
Não é segredo que todos os dias os produtos criados na esfe-
ra de TI aumentam suas necessidades para os recursos de compu-
tação que o usuário tem, o que leva o usuário a custos frequentes, 
muitas vezes significativos, para substituir componentes desatua-
lizados e/ou insuficientemente poderosos de seu PC. Além disso, 
não se esqueça do software licenciado necessário para o usuário, 
para a compra do qual, às vezes, você precisa gastar mais dinheiro 
do que em atualizar recursos de computação. A computação em 
nuvem é uma tecnologia de processamento distribuído de dados, 
na qual recursos e capacidades de computador são fornecidos ao 
usuário como um serviço de Internet. Os serviços em nuvem forne-
cidos via Internet acabam por permitir que o usuário evite custos 
desnecessários para um PC pessoal/de trabalho, ao mesmo tempo 
em que fornece todos os recursos de computação e softwares ne-
cessários para o período durante o qual o usuário deseja usá-los.
De acordo com um documento do IEEE publicado em 2008, 
“o processamento de dados em nuvem é um paradigma no qual as 
informações são armazenadas permanentemente em servidores 
na Internet e temporariamente armazenadas no lado do cliente, 
por exemplo, em computadores pessoais, consoles de jogos, lap-
tops, smartphones, etc.”
6-3
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
N
O
Ç
Õ
ES
 P
R
ÁT
IC
A
S
 B
Á
S
IC
A
S
 D
E 
S
ER
V
IÇ
O
S
 E
M
 N
U
V
EM
6
A exclusividade do serviço em nuvem é fornecer serviços de 
Internet para o usuário final remotamente. Ou seja, o cliente do 
serviço em nuvem não precisa utilizar os recursos de computação 
de seu sistema para processamento de dados - essa função é re-
alizada por recursos remotos, dando ao usuário o resultado dos 
cálculos realizados.
Como resultado dessa interação entre o usuário e o serviço 
em nuvem, os dados que foram enviados pelo usuário para o re-
curso remoto, e o resultado de seu processamento, estão sempre 
disponíveis para o usuário, as ações com as quais ele pode realizar 
tudo igual como se os dados estivessem em seu próprio computa-
dor, não importa onde o usuário está, é suficiente para ele ter uma 
conexão com a Internet.
Como regra geral, a expressão “Tudo como serviço” é apli-
cada a todos os serviços prestados pela “computação em nuvem”. 
Os serviços em nuvem fornecem serviços de Internet aos usuários, 
que podem ser divididos em 3 classes principais: Infraestrutura 
como Serviço (Infraestrutura como Serviço, IaaS); Platafor-
ma como Serviço (PaaS) Software como serviço (SaaS). Infraes-
trutura como serviço – o poder de computação é alugado ao cliente 
remotamente, enquanto o cliente é livre para escolher tanto o sof-
tware de aplicativo quanto o sistema operacional (Figura 6-1).
6-4
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
N
O
Ç
Õ
ES
 P
R
ÁT
IC
A
S
 B
Á
S
IC
A
S
 D
E 
S
ER
V
IÇ
O
S
 E
M
 N
U
V
EM
6
Figura 6-1: Infraestrutura como Serviço (IaaS)
Fonte: https://www.showmetech.com.br/wp-content/uploads/ 
/2021/08/cloud-iaas-paas-saas-1024x500-1.png
O provedor de serviços compromete-se a gerenciar apenas a 
infraestrutura de hardware, ou seja: manutenção e suporte do am-
biente de hardware alugado ao cliente; aumento/diminuição da 
quantidade de poder computacional a pedido do cliente. Platafor-
ma como serviço – ao contrário de “Infraestrutura como serviço”, 
o prestador de serviços assume não só o hardware do serviço, mas 
também o ambiente operacional, bem como, se desejar, o cliente e 
os produtos de software aplicados (Figura 6-2).
6-5
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
N
O
Ç
Õ
ES
 P
R
ÁT
IC
A
S
 B
Á
S
IC
A
S
 D
E 
S
ER
V
IÇ
O
S
 E
M
 N
U
V
EM
6
Figura 6-2: Plataforma com serviço (PaaS)
Fonte: https://www.thegatewaydigital.com/wp-content/ 
uploads/2020/07/Platform-as-a-Service-PaaS.png
As principais vantagens das tecnologias em nuvem:
 9 o usuário pode acessar seus dados de qualquer lugar do 
mundo, se houver uma conexão com a Internet;
 9 ao usar serviços em nuvem, praticamente não impor-
ta para o usuário quanto poder de computação seu pró-
prio computador tem;
 9 espaço cliente, tendo encomendado o serviço, paga ape-
nas pelo período de tempo durante o qual utiliza o serviço;
 9 dimensionar recursos com base nas necessidades do usuário;
6-6
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
N
O
Ç
Õ
ES
 P
R
ÁT
IC
A
S
 B
Á
S
IC
A
S
 D
E 
S
ER
V
IÇ
O
S
 E
M
 N
U
V
EM
6
 9 o provedor de serviços em nuvem, em regra, garante a 
confiabilidade dos recursos oferecidos - proteção de infor-
mações, redundância de dados, instala fontes de alimen-
tação de backup;
 9 os serviços em nuvem forneceram um mercado adicional 
para fornecedores de produtos de software, enquanto os 
usuários desses produtos, não tendo recursos materiais 
suficientes para comprar uma licença para seu computa-
dor, puderam usar software licenciado, pagando apenas 
pelo tempo de uso, sem recorrer a encontrar formas alter-
nativas de obter software (pirataria, etc.).
Figura 6-3: Plataforma com serviço (PaaS)
Fonte: https://www.strategicpeople.co.uk/wp-content/ 
uploads/2020/08/what_is_saas_inforgraphic_1.png
Com as inúmeras e significativas vantagens das tecnologias 
em nuvem, os usuários também podem encontrar desvantagens, 
sendo a principal delas listadas abaixo: como mencionado anterior-
mente, para usar serviços em nuvem, você deve ter uma conexão à 
6-7
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
N
O
Ç
Õ
ES
 P
R
ÁT
IC
A
S
 B
Á
S
IC
A
S
 D
E 
S
ER
V
IÇ
O
S
 E
M
 N
U
V
EM
6
Internet, o que significa que, na ausência de uma conexão, o usuá-
rio não pode acessar os dados que estão com o provedor de servi-
ços; o provedor de serviços se compromete a organizar a segurança 
e proteger os dados, no entanto, se um invasor conseguir penetrar 
no sistema, ele tem acesso a um enorme banco de dados; os dados 
do usuário armazenados em servidores remotos de provedores de 
serviços em nuvem podem ser perdidos, e na ausência de uma có-
pia de backup, os dados serão perdidos irremediavelmente.
As desvantagens das tecnologias em nuvem não devem ser 
esquecidas incluem a complexidade de construir grandes comple-
xos de servidores interconectados, organizar sua interação, bem 
como conexão de banda larga, usando a qual os usuários poderão 
se conectar a esses recursos de computação, o que implica a neces-
sidade de investir enormes quantidades de dinheiro do provedor 
de serviços “cloud”. A principal tarefa de cada serviço em nuvem é 
fornecer aos clientes recursos de computação remota, capacidades 
de armazenamento de dados, etc. Embora muitos usuários ainda 
tenham medo de usar os serviços prestados pelas “nuvens” devido 
a disputas sobre a confidencialidade das informações armazenadas 
neles, bem como proteção adequada contra intrusos, mas poucos 
duvidam das oportunidades e perspectivas que se abrem com tec-
nologias em nuvem [19].
As tecnologias em nuvem dão aos usuários oportunidades 
ilimitadas no campo da tecnologia da informação, começando com 
tão pouco conforto, como se libertar do uso de mídias externas, 
pois salvar dados na “nuvem”, não importa onde você vai trabalhar 
com eles -no trabalho, no trabalho, em casa, durante uma viagem 
de negócios, e terminando com o desenvolvimento de produtos de 
software que requerem enormes recursos de computação.
6-8
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
N
O
Ç
Õ
ES
 P
R
ÁT
IC
A
S
 B
Á
S
IC
A
S
 D
E 
S
ER
V
IÇ
O
S
 E
M
 N
U
V
EM
6
Além disso, não se esqueça dos locais de trabalho que forne-
cem “tecnologias em nuvem”, pois para colocar um grande número 
de plataformas de servidores em operação e sua manutenção adi-
cional, são necessários especialistas treinados para trabalhar com 
tecnologia da informação.
6�2 Recursos em nuvem: benefícios e perspectivas 
de usar tecnologias em nuvem no mundo de hoje
Hoje, a tecnologia da informação desempenha um papel 
fundamental na eficiência dos negócios. A resposta mais rápida às 
mudanças de mercado permite que as tecnologias em nuvem, que 
estão sendo rapidamente introduzidas no ambiente de TI corpo-
rativo. Devido às suas vantagens, as nuvens são uma das áreas de 
crescimento mais dinamicamente do mercado de TI. Ao mesmo 
tempo, o mercado russo de nuvem já está bastante desenvolvido - 
todas as mudanças no mercado interno vão simultaneamente com 
as do mundo, e a dinâmica de crescimento está mesmo à frente.
Hoje, a tecnologia da informação desempenha um papel 
fundamental no desempenho dos negócios. As tecnologias Сloud 
permitem que as mais respondam rapidamente às mudanças de 
mercado, que estão sendo rapidamente introduzidas no ambiente 
corporativo de TI. Devido às suas vantagens, as nuvens são uma 
das áreas que mais crescem no mercado de TI. O mercado russo 
de nuvem já está bastante desenvolvido – todas as mudanças no 
mercado interno ao mesmo tempo vão para o mundo, e até mesmo 
a dinâmica do crescimento à frente.
O nível de confiabilidade das nuvens modernas de nível cor-
porativo é muito maior do que a confiabilidade de sua própria infra-
estrutura física de TI. Para garantir a continuidade dos processos 
6-9
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
N
O
Ç
Õ
ES
 P
R
ÁT
IC
A
S
 B
Á
S
IC
A
S
 D
E 
S
ER
V
IÇ
O
S
 E
M
 N
U
V
EM
6
de negócios em todas as situações, um prestador de serviços pro-
fissional deve reservar os componentes do sistema de informações, 
inclusive em data centers geodistribuídos em um nível não inferior 
ao Nível III. Além disso, estes podem ser data centers não apenas 
na Rússia, mas também no exterior, garantindo o nível máximo de 
disponibilidade de sistemas de informação devido à replicação de 
dados síncrocrons e assíncronos no nível do sistema de armazena-
mento, Máquinas virtuais e aplicações. Além da redundância, para 
construir sua nuvem, um provedor de serviços profissional utiliza 
soluções comprovadas de líderes mundiais no setor de TI, forne-
cendo suporte proativo de alta qualidade.
Além de uma base tecnológica confiável, as nuvens hoje têm 
segurança de informação suficiente em todos os níveis da arquite-
tura de data center virtual, tanto de acordo com as normas inter-
nacionais quanto com os requisitos dos reguladores russos. Para 
a construção de sistemas protegidos, as ferramentas certificadas 
de proteção à informação são utilizadas para canais de comuni-
cação, perímetro de rede, ferramentas de virtualização, sistemas 
operacionais, ambiente de administração de data centers virtuais, 
etc. Ao mesmo tempo, a possibilidade de prestação de serviços de 
proteção à informação é confirmada por licenças do Ministério das 
Comunicações, FSTEC e da FSB. Assim, usando nuvens de nível 
corporativo, o cliente pode estar confiante em cumprir os requisi-
tos da legislação russa no campo da proteção de informações con-
fidenciais e dados pessoais.
Entre as vantagens das nuvens podem ser identificadas esca-
labilidade e flexibilidade, ou seja, o cliente, dependendo das tarefas 
de negócios, pode alterar rapidamente os recursos de TI consumi-
dos que são alocados para a empresa a partir do pool comum de re-
cursos de computação da nuvem corporativa do provedor de servi-
ços. Assim, a nuvem permite aumentar ou diminuir flexivelmente 
6-10
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
N
O
Ç
Õ
ES
 P
R
ÁT
IC
A
S
 B
Á
S
IC
A
S
 D
E 
S
ER
V
IÇ
O
S
 E
M
 N
U
V
EM
6
o poder de computação e o armazenamento de dados, dependendo 
da sazonalidade da demanda ou das cargas de pico. No entanto, em 
poucos minutos, você pode criar máquinas virtuais de configura-
ções arbitrárias de qualquer lugar do mundo e gerenciar a configu-
ração de redes usando switches e roteadores definidos por softwa-
re sem parar os processos de negócios. É importante ressaltar que 
o custo de propriedade da infraestrutura neste caso é determinado 
apenas pelo número de recursos efetivamente consumidos. Esse 
princípio geralmente reduz o nível dos custos da empresa para 
possuir a infraestrutura de TI, enquanto os próprios custos são 
transferidos do capital para a operação.
Para diferentes necessidades de negócios, é utilizada uma ar-
quitetura híbrida de sistemas de informação de nuvens privadas, 
corporativas e públicas, respectivamente, um grande provedor de 
serviços pode fornecer acesso a serviços mundiais globais, criando 
um canal de conexão de alta velocidade entre esses componentes 
da infraestrutura híbrida.
As tecnologias em nuvem estão penetrando cada vez mais em 
todos os setores da economia, processos de negócios e esferas da 
vida humana.
Em primeiro lugar, grandes quantidades de dados são mo-
vidas para as nuvens para armazenamento, incluindo informações 
de usuários de diversos serviços, dados pessoais de assinantes de 
operadoras de telecomunicações, dados sobre pagamentos de titu-
lares de cartões bancários, dados sobre compras em lojas online, 
informações da Internet das Coisas (IoT) e serviços de geolocali-
zação, bem como conteúdo de mídia (vídeo, áudio e materiais 
fotográficos). Na verdade, a sistematização, processamento e 
análise desses dados hoje também ocorre nas nuvens (Big Data), 
inclusive para resolver problemas de negócios situacionais.
6-11
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
N
O
Ç
Õ
ES
 P
R
ÁT
IC
A
S
 B
Á
S
IC
A
S
 D
E 
S
ER
V
IÇ
O
S
 E
M
 N
U
V
EM
6
Nas nuvens de hoje, muitos serviços interativos são implan-
tados para usuários, por exemplo, tradutores online, jogos online, 
pagamentos instantâneos, comunicação por vídeo, serviços de na-
vegação, bibliotecas online, agregadores de música, serviços públi-
cos, bem como os programas habituais para trabalhar com textos, 
tabelas, fotos, etc.
Quanto aos negócios, agora estamos na fase de mudança de 
paradigma: desde a construção de TI dentro da empresa até o con-
sumo de todos os tipos de serviços para atender quase qualquer 
necessidade da empresa a partir do ambiente em nuvem. Já hoje, 
as nuvens corporativas hospedam call centers, serviços de correio, 
sites, formulários de pedidos, bem como produtos de software 
para gestão eletrônica de documentos, automação de produção, 
logística e comércio, sistemas contábeis e tributários da empresa, 
e até mesmo os desktops dos funcionários para o trabalho remo-
to (VDI).
Se falarmos de indústrias individuais, então desenvolvi-
mento e testes de software, plataformas de comércio eletrônico, 
telecomunicações, logística, design e engenharia, bem como toda 
uma direção de negócios de startups de Internet, pesquisa cientí-
fica (processamento de metadados) e educação a distância se 
moveram para as nuvens em maior medida. Em um futuro muito 
próximo, será possível observar uma transferência significativa de 
aplicações críticas aos negócios para as nuvens de empresas bancá-
rias e financeiras, organizações de saúde, complexo de combustível 
e energia e agências governamentais.
Os próprios ambientes virtualizados se conectarão cada vez 
mais às infraestruturas globais de nuvem geodistribuída. Assim, 
as empresas de exportação e rede podem encomendar serviços de 
6-12
ArquiteturasDisruptivas, IOT, Big Data e Inteligência Artificial
N
O
Ç
Õ
ES
 P
R
ÁT
IC
A
S
 B
Á
S
IC
A
S
 D
E 
S
ER
V
IÇ
O
S
 E
M
 N
U
V
EM
6
TI em todo o mundo a partir de um ponto local, enquanto têm um 
alto nível de qualidade de suporte técnico do provedor de serviços.
De acordo com nossas estimativas, em geral, as tecnologias 
em nuvem afetarão significativamente o desenvolvimento de todo 
o mercado de TI, que, por sua vez, terá impacto na aceleração dos 
processos de negócios e na vida humana.
As tendências de terceirização de ti se intensificarão, incluin-
do recursos de computação (Infraestrutura como serviço), 
sistemas de armazenamento (Armazenamento como serviço), 
serviços de recuperação de dados (Serviço de Recuperação de 
Desastres), serviços de segurança da informação, software de as-
sinatura (Software como serviço), administração, etc. De acor-
do com nossas previsões, por vários anos observaremos um cres-
cimento intensivo do mercado de serviços em nuvem - pelo menos 
25-30% ao ano, inclusive em regiões remotas, esse processo estará 
associado à penetração da Internet de alta velocidade. Ao mesmo 
tempo, a participação das tecnologias em nuvem nas arquiteturas 
híbridas dos sistemas de informação das empresas aumentará, à 
medida que a expertise no uso de nuvens, o número de casos de ne-
gócios bem-sucedidos e, consequentemente, o nível de confiança 
se acumulará. À medida que o uso de nuvens se expande, a deman-
da por soluções seguras de nuvem privada aumentará.
Em geral, as nuvens se desenvolverão na direção das tendên-
cias globais, inclusive dos provedores de serviços. Serviços, tecno-
logias e SLAs serão padronizados, documentos regulatórios que 
regulam o setor serão formados por parte do Estado e, do ponto de 
vista tecnológico, as nuvens serão cada vez mais produtivas (a ve-
locidade máxima da computação ao processar uma enor-
me quantidade de informações) e menos caras.
6-13
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
N
O
Ç
Õ
ES
 P
R
ÁT
IC
A
S
 B
Á
S
IC
A
S
 D
E 
S
ER
V
IÇ
O
S
 E
M
 N
U
V
EM
6
Há outro lado do desenvolvimento de tecnologias em nuvem: 
o crescimento exponencial dos dados – a maior parte das informa-
ções armazenadas cairá sobre cópias de arquivo que não estarão 
em demanda e não serão excluídas.
Quanto ao longo prazo, o desenvolvimento de serviços em 
nuvem estará associado à introdução de sistemas de machine le-
arning: inteligência artificial, redes neurais, realidade aumentada, 
bem como interfaces neurais, teletransporte quântico, etc. Assim, 
o conceito de computação em neblina já está em desenvolvimen-
to profundo, que envolve o uso para armazenar e analisar dados 
não os nós centrais da rede de data centers, mas os recursos de 
um grande número de distribuição geográfica dispositivos pessoais 
(PCs, tablets, gadgets, drones, eletrodomésticos, etc.), na 
verdade, implementando o princípio de distribuir poder computa-
cional para quase todos os dispositivos ao nosso redor.
6-14
	� EXERCÍCIOS PROPOSTOS
01 Observe as afirmações abaixo:
I) As tecnologias em nuvem hoje se tornaram um dos tópicos mais popula-
res no campo das tecnologias de TI.
II) Não é segredo que todos os dias os produtos criados na esfera de TI au-
mentam suas necessidades para os recursos de computação que o usuário 
tem, o que leva o usuário a custos frequentes, muitas vezes significativos, 
para substituir componentes desatualizados e/ou insuficientemente podero-
sos de seu PC.
III) A computação em nuvem é uma tecnologia de processamento distri-
buído de dados, na qual recursos e capacidades de computador não são 
fornecidos aos usuários.
Estão CORRETAS:
▢ -a) I e II
▢ -b) I e III
▢ -c) III somente
▢ -d) II e III
▢ -e) II somente
02 De acordo com um documento do IEEE publicado em 2008, “o processa-
mento de dados em nuvem é: 
▢ -a) O usuário pode acessar seus dados de qualquer lugar do mun-
do, se houver uma conexão com a Internet;
▢ -b) Ao usar serviços em nuvem, praticamente não importa para 
o usuário quanto poder de computação seu próprio compu-
tador tem;
▢ -c) O cliente, tendo encomendado o serviço, paga apenas pelo pe-
ríodo de tempo durante o qual utiliza o serviço;
▢ -d) O provedor de serviços em nuvem, em regra, garante a con-
fiabilidade dos recursos oferecidos - proteção de informações, 
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
6-15
redundância de dados, instala fontes de alimentação de 
backup;
▢ -e) Um paradigma no qual as informações são armazenadas per-
manentemente em servidores na Internet e temporariamente 
armazenadas no lado do cliente, por exemplo, em computa-
dores pessoais, consoles de jogos, laptops, smartphones, etc.”
03 Observe as afirmações abaixo:
I) A exclusividade do serviço em nuvem é fornecer serviços de Internet para 
o usuário final remotamente.
II) Como regra geral, a expressão “Tudo como serviço” é aplicada a todos 
os serviços prestados pela “computação em nuvem”.
III) Os serviços em nuvem fornecem serviços de Internet aos usuários, que 
podem ser divididos em 2 classes principais: Infraestrutura como Serviço 
(Infraestrutura como Serviço, IaaS) e Plataforma como Serviço (PaaS).
Estão INCORRETAS:
▢ -a) II e III
▢ -b) III somente
▢ -c) I e III
▢ -d) II somente
▢ -e) I e II
04 O provedor de serviços compromete-se a gerenciar apenas a infraestru-
tura de hardware, ou seja:
▢ -a) O provedor de serviços em nuvem, em regra, garante a con-
fiabilidade dos recursos oferecidos - proteção de informa-
ções, redundância de dados, instala fontes de alimentação de 
backup;
▢ -b) O usuário pode acessar seus dados de qualquer lugar do mun-
do, se houver uma conexão com a Internet;
▢ -c) Manutenção e suporte do ambiente de hardware alugado ao 
cliente; aumento/diminuição da quantidade de poder compu-
tacional a pedido do cliente.
▢ -d) O cliente, tendo encomendado o serviço, paga apenas pelo pe-
ríodo de tempo durante o qual utiliza o serviço;
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
6-16
▢ -e) Um paradigma no qual as informações são armazenadas per-
manentemente em servidores na Internet e temporariamente 
armazenadas no lado do cliente.
05 É considerado uma das principais vantagens das tecnologias em nuvem:
▢ -a) Um paradigma no qual as informações são armazenadas per-
manentemente em servidores na Internet e temporariamente 
armazenadas no lado do cliente.
▢ -b) O usuário pode acessar seus dados de qualquer lugar do mun-
do, se houver uma conexão com a Internet;
▢ -c) O provedor de serviços compromete-se a gerenciar apenas a 
infraestrutura de hardware, ou seja: manutenção e suporte do 
ambiente de hardware alugado ao cliente;
▢ -d) O serviço em nuvem, os dados que foram enviados pelo usuá-
rio para o recurso remoto, e o resultado de seu processamen-
to, estão sempre disponíveis para o usuário, as ações com as 
quais ele pode realizar tudo igual como se os dados estives-
sem em seu próprio computador.
▢ -e) O usuário pode acessar seus dados de qualquer lugar do mun-
do, se houver uma conexão com a Internet.
06 Observe as afirmações abaixo:
I) Com as inúmeras e significativas vantagens das tecnologias em nuvem, 
os usuários também podem encontrar desvantagens.
II) As desvantagens das tecnologias em nuvem não devem ser esquecidas 
incluem a complexidade de construir grandes complexos de servidores in-
terconectados, organizar sua interação.
III) A principal tarefa de cada serviço em nuvem é não fornecer aos clientes re-
cursos de computação remota e nem capacidades de armazenamento de dados.
Estão CORRETAS:
▢ -a) I e II
▢ -b) II somente
▢ -c) II e III
▢ -d) III somente
▢ -e) I somente
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
6-17
07 Hoje, a tecnologia da informação desempenha um papel fundamental na 
eficiência dos negócios. A resposta mais rápida às mudanças de merca-
do permite que as tecnologias em nuvem, que estão sendo rapidamente 
introduzidas no ambiente de:
▢ -a) Сloud
▢ -b) Geodistribuídos
▢ -c) Síncrocrons
▢ -d) FSTEC
▢ -e) TI corporativo
08 O nível deconfiabilidade das nuvens modernas de nível corporativo é 
muito maior do que a confiabilidade de sua própria infraestrutura física 
de TI. Para garantir a continuidade dos processos de negócios em to-
das as situações, um prestador de serviços profissional deve reservar 
os componentes do sistema de informações, inclusive em data centers 
geodistribuídos em um nível não inferior ao Nível:
▢ -a) I
▢ -b) II
▢ -c) III
▢ -d) IV
▢ -e) V
09 Para a construção de sistemas protegidos, as ferramentas certificadas de 
proteção à informação são utilizadas para canais de comunicação:
▢ -a) Perímetro de rede, ferramentas de virtualização, sistemas 
operacionais, ambiente de administração de data centers vir-
tuais, etc.
▢ -b) Paradigma no qual as informações são armazenadas perma-
nentemente em servidores na Internet e temporariamente ar-
mazenadas no lado do cliente.
▢ -c) Manutenção e suporte do ambiente de hardware alugado ao 
cliente; aumento/diminuição da quantidade de poder compu-
tacional a pedido do cliente.
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
6-18
▢ -d) O cliente, tendo encomendado o serviço, paga apenas pelo pe-
ríodo de tempo durante o qual utiliza o serviço;
▢ -e) Ao usar serviços em nuvem, praticamente não importa para 
o usuário quanto poder de computação seu próprio compu-
tador tem;
10 Observe as afirmações abaixo:
I) As tendências de terceirização de ti se intensificarão, incluindo recursos 
de computação (Infraestrutura como serviço), sistemas de armazenamento 
(Armazenamento como serviço), serviços de recuperação de dados (Serviço 
de Recuperação de Desastres), serviços de segurança da informação, sof-
tware de assinatura (Software como serviço), administração, etc.
II) Serviços, tecnologias e SLAs serão padronizados, documentos regulató-
rios que regulam o setor serão formados por parte do Estado e, do ponto de 
vista tecnológico, as nuvens serão cada vez mais produtivas (a velocidade 
máxima da computação ao processar uma enorme quantidade de informa-
ções) e menos caras.
III) Há outro lado do desenvolvimento de tecnologias em nuvem: o cresci-
mento exponencial dos dados – a maior parte das informações armazenadas 
cairá sobre cópias de arquivo que estarão em demanda e serão excluídas.
Estão INCORRETAS:
▢ -a) I e II
▢ -b) II somente
▢ -c) III somente
▢ -d) II e III
▢ -e) I e III
DISCIPLINA:
Arquiteturas Disruptivas, 
IOT, Big Data e 
Inteligência Artificial
UNIDADE 4: 
FUNDAMENTOS DE BIG DATA
Caro(a) Aluno(a)
Seja bem-vindo(a)!
Nesta quarta unidade, daremos orientações sobre fundamentos de Big 
Data e suas particularidades, além de seus usos em ambientes reais.
Conteúdos da Unidade
Neste capítulo, iremos abordar sobre os fundamentos da tecnologia de 
Big Data, bem como suas particularidades técnicas incluindo conceitos, 
fundamentos, aplicabilidade e funcionamento.
 9 Conceitos e Definições de Big Data;
 9 Funcionamento e Aplicabilidade da Big Data.
Acompanhe os conteúdos desta unidade. Se preferir, vá assinalando os 
assuntos, à medida que for estudando.
Bons estudos!!!
DISCIPLINA:
Arquiteturas Disruptivas, 
IOT, Big Data e 
Inteligência Artificial
CAPÍTULO 7: 
CONCEITOS E DEFINIÇÕES DE BIG DATA
7-3
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
C
O
N
C
EI
TO
S
 E
 D
EF
IN
IÇ
Õ
ES
 D
E 
B
IG
 D
AT
A
7
7�1 FUNDAMENTOS
A partir do nome, podemos supor que o termo “big data” se 
refere simplesmente à gestão e análise de grandes quantidades de 
dados. De acordo com a big data do Instituto McKinsey: A próxi-
ma fronteira para inovação, concorrência e produtividade, o termo 
“big data” refere-se a conjuntos de dados maiores do que a capaci-
dade de bancos de dados típicos de capturar, armazenar, gerenciar 
e analisar informações. E os repositórios de dados do mundo cer-
tamente continuam a crescer. O Estudo do Universo Digital de Me-
ados de 2011 da IDC, patrocinado pela EMC, previu que a quanti-
dade global total de dados criados e replicados em 2011 poderia ser 
de cerca de 1,8 zettabytes (1,8 trilhão de gigabytes) — cerca de 
9 vezes mais do que foi criado em 2006.
No entanto, “big data” envolve mais do que apenas anali-
sar enormes quantidades de informações. O problema não é que 
as organizações criem grandes quantidades de dados, mas que a 
maioria deles é apresentada em um formato que não corresponde 
bem ao formato tradicional de banco de dados estruturado, como 
registros web, gravações de vídeo, documentos de texto, código de 
máquina ou, por exemplo, dados geoespaciais. Tudo isso é arma-
zenado em uma grande variedade de repositórios, às vezes até fora 
da organização. Como resultado, as corporações podem ter acesso 
a uma enorme quantidade de seus dados e não ter as ferramentas 
necessárias para estabelecer relações entre esses dados e tirar con-
clusões significativas deles. Some-se a isso o fato de que os dados 
agora são atualizados cada vez mais, e você tem uma situação em 
que os métodos tradicionais de análise de informações não po-
dem acompanhar enormes quantidades de dados constantemen-
te atualizados, o que acaba por abrir caminho para tecnologias de 
big data.
7-4
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
C
O
N
C
EI
TO
S
 E
 D
EF
IN
IÇ
Õ
ES
 D
E 
B
IG
 D
AT
A
7
Em essência, o conceito de big data implica trabalhar com 
informações de um volume enorme e composição diversificada, 
muitas vezes atualizadas e localizadas em diferentes fontes, a fim 
de aumentar a eficiência, criar novos produtos e aumentar a com-
petitividade. A consultoria Forrester faz uma breve formulação: “O 
big data combina técnicas e tecnologias que extraem significado 
a partir de dados no limite extremo da praticidade”.
7�2 Excursão à história e estatística
A frase “big data” apareceu em 2008 com a mão leve de Cli-
fford Lynch. Em uma edição especial da revista Nature, o espe-
cialista chamou o crescimento explosivo dos fluxos de informação 
- big data. Nele, ele incluiu quaisquer matrizes de dados heterogê-
neos acima de 150 GB por dia.
A partir dos cálculos estatísticos das agências analíticas em 
2005, o mundo operou com 4-5 exabytes de informação (4-5 bi-
lhões de gigabytes), após 5 anos o volume de big data cresceu 
para 0,19 zettabytes (1 ZB = 1024 EB). Em 2012, os indicadores 
aumentaram para 1,8 ZB, e em 2015 - para 7 ZB. Especialistas 
prevêem que até 2020 os sistemas de big data operarão de 42 a 45 
zettabytes de informações.
Mastodons do negócio digital - Microsoft, IBM, Oracle, 
EMC e outros - aderiram ao desenvolvimento da nova direção. 
Desde 2014, o big data é estudado em universidades, introduzido 
em ciências aplicadas - engenharia, física, sociologia.
7-5
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
C
O
N
C
EI
TO
S
 E
 D
EF
IN
IÇ
Õ
ES
 D
E 
B
IG
 D
AT
A
7
7�3 Business Intelligence e big data
Craig Bati, Diretor de Marketing e Diretor de Tecnologia da 
Fujitsu Australia, apontou que a análise de negócios é um processo 
descritivo de analisar os resultados alcançados por uma empresa ao 
longo de um período de tempo, enquanto a velocidade de processa-
mento de big data permite que você faça a análise preditiva, capaz 
de oferecer as recomendações de negócios para o futuro. As tecno-
logias de big data também permitem analisar mais tipos de dados 
em comparação com as ferramentas de business intelligence, o que 
torna possível focar não apenas no armazenamento estruturado.
Matt Slocum, do O’Reilly Radar, acredita que, embora o big 
data e a inteligência de negócios tenham o mesmo propósito (en-
contrar respostas para uma pergunta), eles diferem um do 
outro de três maneiras:
 ● O big data foi projetado para processar quantidades mais 
significativas de informações do que a inteligência de ne-
gócios, e isso certamente está em linha com a definição 
tradicional de big data.
 ● O big data foi projetado para lidar com informações mais 
rápidas e rápidas, o que significa exploração e interativi-
dade profundas. Em alguns casos, osresultados são ge-
rados mais rapidamente do que uma página web carrega.
 ● O big data foi projetado para processar dados não estru-
turados, as maneiras pelas quais só estamos começando a 
aprender depois de termos sido capazes de colecioná-los e 
armazená-los, e precisamos de algoritmos e da capacida-
de de nos comunicar para facilitar a busca por tendências 
contidas nessas matrizes.
7-6
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
C
O
N
C
EI
TO
S
 E
 D
EF
IN
IÇ
Õ
ES
 D
E 
B
IG
 D
AT
A
7
De acordo com o white paper da Oracle, Oracle Information 
Architecture: An Architect’s Guide to Big Data, abordamos as in-
formações de forma diferente quando trabalhamos com big data 
do que ao realizar análises de negócios.
Trabalhar com big data não é como o processo usual de busi-
ness intelligence, onde uma simples adição de valores conhecidos 
traz resultados: por exemplo, o resultado da adição de dados em 
faturas pagas torna-se o volume de vendas para o ano. Ao trabalhar 
com big data, o resultado é obtido no processo de sua purificação 
por modelagem sequencial: primeiro, uma hipótese é apresentada, 
um modelo estatístico, visual ou semântico é construído, com base 
na correção da hipótese apresentada é verificada e, em seguida, a 
próxima é apresentada. Esse processo exige que o pesquisador in-
terprete valores visuais ou construa consultas interativas com base 
no conhecimento, ou desenvolva algoritmos adaptativos de “ma-
chine learning” capazes de obter o resultado desejado. Além disso, 
a vida útil de tal algoritmo pode ser bastante curta.
7�4 Técnicas de Análise de Big Data
Existem muitos métodos diferentes de análise de conjuntos 
de dados, que são baseados em ferramentas emprestadas de es-
tatística e ciência da computação (por exemplo, machine le-
arning). A lista não afirma estar completa, mas reflete as abor-
dagens mais populares em várias indústrias. Ao mesmo tempo, 
deve-se entender que os pesquisadores continuam trabalhando na 
criação de novos métodos e na melhoria dos já existentes. Além 
disso, algumas dessas técnicas não são necessariamente aplicá-
veis exclusivamente à big data e podem ser usadas com sucesso 
para matrizes menores (por exemplo, testes A/B, análise de 
7-7
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
C
O
N
C
EI
TO
S
 E
 D
EF
IN
IÇ
Õ
ES
 D
E 
B
IG
 D
AT
A
7
regressão). Naturalmente, quanto mais volumoso e diversificado 
o array for analisado, mais precisos e relevantes os dados podem 
ser obtidos na saída:
 ● Teste A/B. Uma técnica na qual uma amostra de controle 
é alternadamente comparada com outras. Assim, é possí-
vel identificar a combinação ideal de indicadores para al-
cançar, por exemplo, a melhor resposta dos consumidores 
a uma oferta de marketing. O big data permite que você 
realize um grande número de iterações e, assim, obtenha 
um resultado estatisticamente confiável.
 ● A associação governa o aprendizado. Um conjunto de téc-
nicas de identificação de relacionamentos, ou seja, regras 
associativas, entre variáveis em grandes conjuntos de da-
dos. É usado na mineração de dados.
 ● Classificação: Um conjunto de técnicas que permitem 
prever o comportamento dos consumidores em um deter-
minado segmento do mercado (decisões de compra, saí-
da, consumo, etc.). É usado na mineração de dados.
 ● Análise de cluster: Um método estatístico de classificar 
objetos em grupos, identificando características comuns 
desconhecidas com antecedência. É usado na mineração 
de dados.
 ● Crowdsourcing: Metodologia para coleta de dados de 
um grande número de fontes.
 ● Fusão de dados e integração de dados: Um conjun-
to de técnicas que permite analisar os comentários dos 
usuários das redes sociais e comparar com os resultados 
de vendas em tempo real.
 ● Mineração de dados: Um conjunto de técnicas que 
permite determinar as categorias mais suscetíveis dos 
7-8
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
C
O
N
C
EI
TO
S
 E
 D
EF
IN
IÇ
Õ
ES
 D
E 
B
IG
 D
AT
A
7
consumidores para o produto ou serviço promovido, identi-
ficar as características dos funcionários mais bem sucedidos, 
para prever o modelo comportamental dos consumidores.
 ● Aprendizado de conjunto: Nesse método, muitos mo-
delos predicativos estão envolvidos, devido ao qual a qua-
lidade das previsões fez aumentar.
 ● Algoritmos genéticos: Nesta técnica, possíveis solu-
ções são apresentadas na forma de “cromossomos” que 
podem combinar e mutar. Como no processo de evolução 
natural, o indivíduo mais apto sobrevive.
 ● Aprendizado de máquina: A direção em ciência da com-
putação (historicamente foi atribuída ao nome “inteligência 
artificial”), que busca o objetivo de criar algoritmos de au-
toaprendimento com base na análise de dados empíricos.
 ● Processamento de linguagem natural (PNL): Um 
conjunto de técnicas emprestadas da ciência da computa-
ção e da linguística para reconhecer a linguagem natural 
de uma pessoa.
 ● Análise de rede: Um conjunto de técnicas para anali-
sar as relações entre nós nas redes. Em relação às redes 
sociais, permite analisar as relações entre usuários indivi-
duais, empresas, comunidades, etc.
 ● Otimização: Um conjunto de métodos numéricos para 
redesenhar sistemas e processos complexos para melho-
rar um ou mais indicadores. Auxilia na tomada de deci-
sões estratégicas, por exemplo, na composição da linha de 
produtos que está sendo lançada no mercado, realizando 
análises de investimentos, etc.
7-9
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
C
O
N
C
EI
TO
S
 E
 D
EF
IN
IÇ
Õ
ES
 D
E 
B
IG
 D
AT
A
7
 ● Reconhecimento de padrões: Um conjunto de técni-
cas com elementos de autoaprendito para prever o mode-
lo comportamental dos consumidores.
 ● Modelagem preditiva: Um conjunto de técnicas que 
permitem criar um modelo matemático antes de um de-
terminado cenário provável. Por exemplo, a análise do 
banco de dados do sistema de CRM para possíveis condi-
ções que pressionarão os assinantes a alterar o provedor.
 ● Regressão: Um conjunto de métodos estatísticos para 
identificar padrões entre uma mudança em uma variável 
dependente e uma ou mais variáveis independentes. É 
frequentemente usado para previsões e previsões. É usa-
do na mineração de dados.
 ● Análise de sentimentos: No centro dos métodos de 
avaliação dos sentimentos dos consumidores estão as 
tecnologias para reconhecer a linguagem natural de uma 
pessoa. Eles permitem que você isole das mensagens ge-
rais de fluxo de informações relacionadas ao assunto de 
interesse (por exemplo, um produto de consumo). Em 
seguida, avalie a polaridade do julgamento (positivo ou 
negativo), o grau de emoção, etc.
 ● Processamento de sinal: Um conjunto de técnicas 
emprestadas da engenharia de rádio, que busca o objetivo 
de reconhecer um sinal em um contexto de ruído e sua 
análise posterior.
 ● Análise espacial: Um conjunto de métodos para anali-
sar dados espaciais, parcialmente emprestados das esta-
tísticas - a topologia do terreno, coordenadas geográficas, 
geometria dos objetos. A fonte de big data neste caso é, 
muitas vezes, sistemas de informação geográfica (SIG).
7-10
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
C
O
N
C
EI
TO
S
 E
 D
EF
IN
IÇ
Õ
ES
 D
E 
B
IG
 D
AT
A
7
 ● Estatísticas: A ciência da coleta, organização e interpre-
tação de dados, incluindo o desenvolvimento de questio-
nários e a realização de experimentos. Métodos estatísti-
cos são frequentemente usados para julgamentos de valor 
sobre as relações entre certos eventos.
 ● Aprendizado supervisionado: Um conjunto de técni-
cas baseadas em tecnologias de aprendizado de máquina 
que permitem identificar relações funcionais nos conjun-
tos de dados analisados.
 ● Simulação: Modelar o comportamento de sistemas 
complexos é frequentemente usado para prever, prever e 
trabalhar vários cenários no planejamento.
 ● Análise da série temporal: Um conjuntode métodos 
emprestados de estatísticas e processamento de sinal digi-
tal para análise de sequências repetitivas de dados ao lon-
go do tempo. Uma aplicação óbvia é acompanhar o mer-
cado de valores mobiliários ou a morbidade dos pacientes.
 ● Aprendizado não supervisionado: Um conjunto de 
técnicas baseadas em tecnologias de aprendizado de má-
quina que permitem identificar relações funcionais ocul-
tas nos conjuntos de dados analisados. Tem semelhanças 
com análise de cluster.
 ● Visualização: Métodos para representar graficamente 
os resultados da análise de big data na forma de diagra-
mas ou imagens animadas para simplificar a interpreta-
ção e facilitar a compreensão dos resultados obtidos.
A representação visual dos resultados da análise de big data 
é de fundamental importância para sua interpretação. Não é se-
gredo que a percepção humana é limitada, e os cientistas conti-
nuam a realizar pesquisas no campo de melhoria dos métodos 
7-11
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
C
O
N
C
EI
TO
S
 E
 D
EF
IN
IÇ
Õ
ES
 D
E 
B
IG
 D
AT
A
7
modernos de apresentação de dados na forma de imagens, diagra-
mas ou animações.
7�5 Ferramentas Analíticas
Para 2011, algumas das abordagens listadas na subseção an-
terior, ou uma certa combinação delas, possibilitam a implementa-
ção de motores analíticos para trabalhar com big data na prática. 
Dos sistemas gratuitos ou relativamente baratos de análise de big 
data abertos, podemos recomendar:
 9 1010 dados;
 9 Apache Chukwa;
 9 Apache Hadoop;
 9 Colmeia Apache;
 9 Porco Apache.
 9 Jaspersoft;
 9 LexisNexis Risk Solutions HPCC Systems;
 9 MapReduce;
 9 Revolution Analytics (baseado na linguagem R para esta-
tísticas matemáticas).
De particular interesse nesta lista está o Apache Hadoop, um 
software de código aberto que foi testado como um analisador de 
dados pela maioria dos rastreadores de ações nos últimos cinco 
anos. Assim que o Yahoo abriu o código Hadoop para a comuni-
dade de código aberto, a indústria de TI imediatamente teve toda 
uma direção de criar produtos baseados em Hadoop. Quase todas 
as ferramentas modernas de análise de big data fornecem ferra-
mentas para integração com o Hadoop. Seus desenvolvedores são 
start-ups e empresas mundiais bem conhecidas. 
7-12
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
C
O
N
C
EI
TO
S
 E
 D
EF
IN
IÇ
Õ
ES
 D
E 
B
IG
 D
AT
A
7
7�6 Mitos e informações relevantes sobre Big Data
Uma nota de pesquisa de outono de 2014 do Gartner lista uma 
série de mitos comuns entre os CIOs sobre Big Data e os refuta. 
7.6.1 Todos implementam sistemas de processamento 
de Big Data mais rápido do que nós
O interesse em tecnologias de Big Data está em alta: em 73% 
das organizações pesquisadas por analistas do Gartner este ano, 
elas já estão investindo em projetos relevantes ou serão montadas. 
Mas a maioria dessas iniciativas ainda está nos estágios iniciais, 
e apenas 13% dos entrevistados já implementaram tais soluções. 
A coisa mais difícil é determinar como extrair renda do Big Data, 
para decidir por onde começar. Muitas organizações ficam presas 
na fase piloto porque não conseguem vincular a nova tecnologia a 
processos de negócios específicos.
7.6.2 Temos tantos dados que não há necessidade 
de se preocupar com pequenos erros nele
Alguns líderes de TI acreditam que pequenas falhas nos 
dados não afetam os resultados globais da análise de grandes vo-
lumes. Quando há muitos dados, cada erro individualmente real-
mente afeta menos o resultado, dizem os analistas, mas os próprios 
erros se tornam mais. Além disso, a maioria dos dados analisados 
é externa, de estrutura ou origem desconhecida, de modo que a 
probabilidade de erros aumenta. Então, no mundo do Big Data, a 
qualidade é realmente muito mais importante.
7-13
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
C
O
N
C
EI
TO
S
 E
 D
EF
IN
IÇ
Õ
ES
 D
E 
B
IG
 D
AT
A
7
7.6.3 Tecnologias de Big Data eliminarão a 
necessidade de integração de dados
O Big Data promete a capacidade de processar dados em 
seu formato original com a modelagem automática de esquemas 
à medida que são lidos. Acredita-se que isso permitirá analisar 
informações das mesmas fontes usando vários modelos de dados. 
Muitos acreditam que ele também permitirá que os usuários finais 
interpretem qualquer conjunto de dados como quiserem. Na re-
alidade, a maioria dos usuários muitas vezes precisa do método 
tradicional com um esquema pronto, onde os dados são formata-
dos adequadamente, e há acordos sobre o nível de integridade das 
informações e como ela deve se relacionar com o caso de uso.
7.6.4 Não adianta usar data warehouses 
para análises complexas
Muitos administradores de sistemas de gerenciamento de 
informações acreditam que não faz sentido gastar tempo criando 
um data warehouse, dado que sistemas analíticos complexos se 
aproveitam de novos tipos de dados. Na verdade, muitos sistemas 
de análise sofisticados usam informações de um data warehouse. 
Em outros casos, novos tipos de dados precisam ser preparados 
adicionalmente para análise em sistemas de processamento de Big 
Data; decisões devem ser tomadas sobre a adequação dos dados, 
os princípios da agregação e o nível de qualidade necessário — esse 
provisionamento pode ocorrer fora do armazenamento.
7.6.5 Os data warehouses serão substituídos por lagos de dados
Na realidade, os fornecedores enganam os clientes posicio-
nando os lagos de dados como substitutos para o armazenamento 
7-14
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
C
O
N
C
EI
TO
S
 E
 D
EF
IN
IÇ
Õ
ES
 D
E 
B
IG
 D
AT
A
7
ou como elementos críticos de uma infraestrutura de análise. As 
tecnologias subjacentes dos lagos de dados carecem da maturidade 
e amplitude da funcionalidade inerente ao armazenamento. Por-
tanto, os gestores responsáveis pela gestão de dados devem espe-
rar até que os lagos atinjam o mesmo nível de desenvolvimento, 
segundo o Gartner.
7-15
	� EXERCÍCIOS PROPOSTOS
01 Observe as afirmações abaixo:
I) De acordo com a big data do Instituto McKinsey: A próxima fronteira para 
inovação, concorrência e produtividade, o termo “big data” refere-se a con-
juntos de dados maiores do que a capacidade de bancos de dados típicos de 
capturar, armazenar, gerenciar e analisar informações.
II) O Estudo do Universo Digital de Meados de 2011 da IDC, patrocinado 
pela MCE, previu que a quantidade global total de dados criados e replicados 
em 2011 poderia ser de cerca de 1,8 zettabytes (1,8 trilhão de gigabytes) — 
cerca de 9 vezes mais do que foi criado em 2006.
III) Em essência, o conceito de big data implica trabalhar com informações 
de um volume enorme e composição diversificada, muitas vezes atualizadas 
e localizadas em diferentes fontes, a fim de aumentar a eficiência, criar no-
vos produtos e aumentar a competitividade.
Estão INCORRETAS:
▢ -a) I e II
▢ -b) II e III
▢ -c) II somente
▢ -d) I somente
▢ -e) I e III
02 Matt Slocum, do O’Reilly Radar, acredita que, embora o big data e a 
inteligência de negócios tenham o mesmo propósito (encontrar respostas 
para uma pergunta), eles diferem um do outro de três maneiras. Uma 
delas foi:
▢ -a) Projetado para lidar com informações mais rápidas e rápidas, 
o que significa exploração e interatividade profundas. Em al-
guns casos, os resultados são gerados mais rapidamente do 
que uma página web carrega.
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
7-16
▢ -b) Um conjunto de técnicas de identificação de relacionamentos, 
ou seja, regras associativas, entre variáveis em grandes con-
juntos de dados.
▢ -c) Uma técnica na qual uma amostra de controle é alternada-
mente comparada com outras.
▢ -d) Um método estatístico de classificar objetos em grupos, 
identificando características comuns desconhecidas com 
antecedência.
▢ -e) Metodologia para coleta de dados de um grande número de 
fontes.
03 Observe as afirmações abaixo:
I) De acordo com owhite paper da Oracle, Oracle Information Architectu-
re: An Architect’s Guide to Big Data, abordamos as informações de forma 
diferente quando trabalhamos com big data do que ao realizar análises de 
negócios.
II) Trabalhar com big data é como o processo usual de business intelligen-
ce, onde uma simples adição de valores conhecidos traz resultados: por 
exemplo, o resultado da adição de dados em faturas pagas torna-se o volu-
me de vendas para o ano.
III) Ao trabalhar com big data, o resultado é obtido no processo de sua 
purificação por modelagem sequencial: primeiro, uma hipótese é apresen-
tada, um modelo estatístico, visual ou semântico é construído, com base na 
correção da hipótese apresentada é verificada e, em seguida, a próxima é 
apresentada.
Estão CORRETAS:
▢ -a) I e II
▢ -b) I e III
▢ -c) III somente
▢ -d) II e III
▢ -e) III somente
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
7-17
04 Um conjunto de técnicas que permite determinar as categorias mais sus-
cetíveis dos consumidores para o produto ou serviço promovido, identifi-
car as características dos funcionários mais bem sucedidos, para prever 
o modelo comportamental dos consumidores. Estamos falando de:
▢ -a) Algoritmos genéticos
▢ -b) Processamento de linguagem natural (PNL).
▢ -c) Análise de rede
▢ -d) Otimização
▢ -e) Mineração de dados
05 Podemos conceituar Teste A/B como:
▢ -a) Um conjunto de técnicas de identificação de relacionamentos, 
ou seja, regras associativas, entre variáveis em grandes con-
juntos de dados.
▢ -b) Um conjunto de técnicas emprestadas da ciência da compu-
tação e da linguística para reconhecer a linguagem natural de 
uma pessoa.
▢ -c) Um conjunto de técnicas para analisar as relações entre nós 
nas redes.
▢ -d) Uma técnica na qual uma amostra de controle é alternada-
mente comparada com outras.
▢ -e) Um conjunto de técnicas que permitem prever o comporta-
mento dos consumidores em um determinado segmento do 
mercado (decisões de compra, saída, consumo, etc.).
06 Dos sistemas gratuitos ou relativamente baratos de análise de big data 
abertos, podemos recomendar um deles que é:
▢ -a) Apache Chukwa;
▢ -b) 1012 Dados;
▢ -c) TI
▢ -d) Big
▢ -e) CIOs
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
7-18
07 Observe as afirmações abaixo:
I) Uma nota de pesquisa de outono de 2014 do Gartner lista uma série de 
mitos comuns entre os CIOs sobre Big Data e os refuta.
II) O interesse em tecnologias de Big Data está em alta: em 73% das orga-
nizações pesquisadas por analistas do Gartner este ano, elas já estão inves-
tindo em projetos relevantes ou serão montadas.
III) A coisa mais fácil é determinar como extrair renda do Big Data, para 
decidir por onde começar.
Estão INCORRETAS:
▢ -a) I e III
▢ -b) II somente
▢ -c) III somente
▢ -d) I e II
▢ -e) I somente
08 Promete a capacidade de processar dados em seu formato original com 
a modelagem automática de esquemas à medida que são lidos. Estamos 
falando sobre:
▢ -a) Big Data
▢ -b) Warehouses
▢ -c) Gartner
▢ -d) MapReduce;
▢ -e) Apache Hadoop
09 Podemos conceituar Processamento de linguagem natural (PNL) como:
▢ -a) A ciência da coleta, organização e interpretação de dados, in-
cluindo o desenvolvimento de questionários e a realização de 
experimentos.
▢ -b) Um conjunto de métodos para analisar dados espaciais, par-
cialmente emprestados das estatísticas - a topologia do terre-
no, coordenadas geográficas, geometria dos objetos.
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
7-19
▢ -c) Um conjunto de técnicas emprestadas da engenharia de rá-
dio, que busca o objetivo de reconhecer um sinal em um con-
texto de ruído e sua análise posterior.
▢ -d) Um conjunto de técnicas emprestadas da ciência da compu-
tação e da linguística para reconhecer a linguagem natural de 
uma pessoa.
▢ -e) A direção em ciência da computação (historicamente foi atri-
buída ao nome “inteligência artificial”), que busca o objetivo 
de criar algoritmos de autoaprendimento com base na análise 
de dados empíricos.
10 Um conjunto de técnicas emprestadas da engenharia de rádio, que busca 
o objetivo de reconhecer um sinal em um contexto de ruído e sua análise 
posterior. Estamos falando de: 
▢ -a) Processamento de sinal
▢ -b) Estatísticas
▢ -c) Análise da série temporal
▢ -d) Visualização
▢ -e) Otimização
DISCIPLINA:
Arquiteturas Disruptivas, 
IOT, Big Data e 
Inteligência Artificial
CAPÍTULO 8: 
FUNCIONAMENTO E 
APLICABILIDADE DA BIG DATA
8-2
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
FU
N
C
IO
N
A
M
EN
TO
 E
 A
P
LI
C
A
B
IL
ID
A
D
E 
D
A
 B
IG
 D
AT
A
8
8�1 FUNDAMENTOS
8.1.1 Como funciona a tecnologia de big data?
Para designar uma série de informações com o prefixo “gran-
de”, ele deve ter as seguintes características:
Figura 8-1: Funcionamento da tecnologia Big Data
Fonte: https://blog.accurate.com.br/wp-content/ 
uploads/2020/08/INFO_svg-1-scaled.jpg
8.1.1.1 Regra VVV
Volume: os dados são medidos pelo tamanho físico e espa-
ço ocupado em um meio digital. O “grande” inclui matrizes acima 
de 150 GB por dia.
Velocidade: as informações são atualizadas regularmente e 
tecnologias inteligentes de big data são necessárias para processa-
mento em tempo real.
8-3
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
FU
N
C
IO
N
A
M
EN
TO
 E
 A
P
LI
C
A
B
IL
ID
A
D
E 
D
A
 B
IG
 D
AT
A
8
Variedade: informações em matrizes podem ter formatos he-
terogêneos, ser estruturadas parcialmente, completamente e acumu-
lar por acaso. Por exemplo, as redes sociais usam big data na forma 
de textos, vídeo, áudio, transações financeiras, fotos e outras coisas.
Nos sistemas modernos, dois fatores adicionais 
são considerados:
Variabilidade: fluxos de dados podem ter picos e cochos, 
sazonalidade, periodicidade. Rajadas de informações não estru-
turadas são difíceis de gerenciar, exigindo poderosas tecnologias 
de processamento.
Valor: as informações podem ter dificuldades variadas de 
perceber e processar, dificultando o funcionamento de sistemas in-
teligentes. Por exemplo, uma série de mensagens de redes sociais é 
uma camada de dados, e as operações transacionais são outras. A 
tarefa das máquinas é determinar o grau de importância das infor-
mações recebidas, a fim de estruturar rapidamente.
O princípio de operação da tecnologia de big data baseia-se 
no máximo informando ao usuário sobre qualquer objeto ou fenô-
meno. A tarefa de tal familiarização com os dados é ajudar a pesar 
todos os prós e contras para tomar a decisão certa. Em máquinas 
inteligentes, um modelo do futuro é construído com base em uma 
série de informações, e então várias opções são simuladas e os re-
sultados são rastreados.
Agências analíticas modernas executam milhões de simula-
ções semelhantes quando testam uma ideia, uma suposição ou re-
solvem um problema. O processo é automatizado.
As fontes de big data incluem:
 9 Internet: blogs, redes sociais, sites, mídia e diver-
sos fóruns;
8-4
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
FU
N
C
IO
N
A
M
EN
TO
 E
 A
P
LI
C
A
B
IL
ID
A
D
E 
D
A
 B
IG
 D
AT
A
8
 9 Informações corporativas: arquivos, transações, 
bancos de dados;
 9 Leituras de dispositivos de leitura: instrumentos 
meteorológicos, sensores de comunicação celular e outros.
Os princípios de trabalhar com conjuntos de dados 
incluem três fatores principais:
 9 Extensibilidade do sistema: Geralmente é entendido 
como a escalabilidade horizontal dos portadores de infor-
mações. Ou seja, o volume de dados recebidos aumentou 
- a capacidade e o número de servidores para seu armaze-
namento aumentaram;
 9 Resiliência: É possível aumentar o número de mídias 
digitais, máquinas inteligentes em proporção ao volume 
de dados ao infinito. Mas isso não significa que algumas 
das máquinas não falharão, se tornarão obsoletas. Por-
tanto, um dos fatores do trabalho estável com big data é a 
tolerância a falhas dos servidores;
 9 Localização: Conjuntos separados de informações são 
armazenadose processados dentro de um servidor dedi-
cado para economizar tempo, recursos e custos de trans-
ferência de dados.
8�2 Como Big Data é processado
As fontes de coleta de big data são divididas em três tipos:
 9 Social;
 9 Máquina;
 9 Transacional.
8-5
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
FU
N
C
IO
N
A
M
EN
TO
 E
 A
P
LI
C
A
B
IL
ID
A
D
E 
D
A
 B
IG
 D
AT
A
8
Tudo o que uma pessoa faz online é uma fonte de big data 
social. A cada segundo, os usuários enviam 1.000 fotos para o Ins-
tagram* e enviam mais de 3 milhões de e-mails. A cada segundo, a 
contribuição pessoal de cada pessoa é uma média de 1,7 megabytes.
Outros exemplos de fontes sociais do Big Data incluem es-
tatísticas de país e cidade, dados sobre movimentos de pessoas, 
registros de morte e nascimento e registros médicos.
O big data também é gerado por máquinas, sensores e inter-
net das coisas. Informações são recebidas de smartphones, alto-fa-
lantes inteligentes, lâmpadas e sistemas domésticos inteligentes, 
câmeras de vídeo nas ruas, satélites meteorológicos.
Os dados transacionais decorrem de compras, transferên-
cias de dinheiro, entregas de mercadorias e transações de cai-
xas eletrônicos. 
Os arrays big data são tão grandes que um Simples Excel 
não pode lidar com eles. Portanto, software especial é usado para 
trabalhar com eles.
Chama-se “scale-out” porque distribui tarefas em vários 
computadores processando informações ao mesmo tempo. Quan-
to mais máquinas envolvidas no trabalho, maior a produtividade 
do processo.
Esse software é baseado no MapReduce, um modelo parale-
lo de computação. O modelo funciona assim:
 9 em primeiro lugar, os dados são filtrados de acordo com 
as condições especificadas pelo pesquisador, classificados 
e distribuídos entre computadores individuais (nodes);
 9 os nódulos então calculam seus blocos de dados em pa-
ralelo e passam o resultado dos cálculos para a pró-
xima iteração.
8-6
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
FU
N
C
IO
N
A
M
EN
TO
 E
 A
P
LI
C
A
B
IL
ID
A
D
E 
D
A
 B
IG
 D
AT
A
8
MapReduce não é um programa específico, mas sim um al-
goritmo que pode ser usado para resolver a maioria dos problemas 
de processamento de big data.
Exemplos de software baseado no MapReduce:
 ● Hadoop é um conjunto de programas de código aberto 
para armazenar arquivos, planejar e colaborar com dados. 
O sistema é projetado para que, em caso de falha em um 
nó, a carga seja imediatamente redistribuída para outros, 
sem interromper os cálculos.
 ● Apache Spark é um conjunto de bibliotecas que permi-
tem realizar cálculos na memória e acessar repetidamen-
te os resultados dos cálculos. É usado para resolver uma 
ampla gama de problemas, desde simples processamento 
e filtragem de dados até aprendizado de máquina.
Os cientistas de big data usam ambas as ferramen-
tas: Hadoop para construir uma infraestrutura de dados e Spark 
para processar informações de streaming em tempo real.
8�3 Aplicabilidade da Big Data
O big data é necessário em marketing, transporte, automo-
tivo, saúde, ciência, agricultura e outras áreas nas quais é possível 
coletar e processar os conjuntos necessários de informações.
As empresas precisam de big data para:
 9 Simplificar processos: por exemplo, grandes bancos 
usam big data para treinar um chatbot – um programa 
que substituirá um funcionário vivo em questões simples 
e, se necessário, mudará para um especialista.
8-7
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
FU
N
C
IO
N
A
M
EN
TO
 E
 A
P
LI
C
A
B
IL
ID
A
D
E 
D
A
 B
IG
 D
AT
A
8
 9 Faça previsões: Analisando grandes dados de vendas, 
as empresas podem prever o comportamento do cliente 
e a demanda do cliente por mercadorias dependendo da 
época do ano ou da situação mundial.
 9 Construir modelos: Analisando dados de lucros e cus-
tos, uma empresa pode construir um modelo para pre-
ver a receita.
A análise de big data permite não apenas sistematizar in-
formações, mas também encontrar relações de causa e efeito 
não óbvias.
8.3.1 Bens
Mercado online A Amazon lançou um sistema de recomen-
dações de produtos, alimentado por aprendizado de máquina. Leva 
em conta não apenas o comportamento e as compras anteriores do 
usuário, mas também a época do ano, as próximas férias e outros 
fatores. Após esse sistema funcionar, as recomendações passaram 
a gerar 35% de todas as vendas do serviço.
Nos supermercados Lenta, com a ajuda de big data, eles ana-
lisam informações sobre compras e oferecem descontos persona-
lizados em mercadorias. Por exemplo, diz a empresa, o sistema de 
dados de compra pode entender que o cliente mudou a abordagem 
da nutrição, e começará a oferecer-lhe produtos adequados.
A rede americana Kroger usa big data para personalizar 
os cupons de desconto que os clientes recebem por e-mail. Após 
serem individualmente, adequados para compradores especí-
ficos, a participação das compras apenas para eles aumentou de 
3,7% para 70%.
8-8
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
FU
N
C
IO
N
A
M
EN
TO
 E
 A
P
LI
C
A
B
IL
ID
A
D
E 
D
A
 B
IG
 D
AT
A
8
8.3.2 Contratação
Grandes empresas, incluindo as russas, começaram a recor-
rer à ajuda de recrutadores robôs, a fim de eliminar aqueles que 
não estão interessados na vaga ou não se encaixam para ela na fase 
inicial da busca por um funcionário. Então, stafory desenvolveu 
um robô Vera, que classifica o currículo, faz uma chamada inicial e 
identifica candidatos interessados. A PepsiCo preencheu 10% das 
vagas exigidas apenas com a ajuda de um robô.
8.3.3 Bancos
Os bancos estão usando ativamente big data. Por exemplo, 
eles ajudam a proteger os clientes de golpistas. É com a ajuda des-
sas tecnologias que são detectadas anomalias no comportamento 
do usuário, compras atípicas ou transferências. Já em 2017, a Visa 
com a ajuda da análise de dados anualmente impediu fraudes em 
US$ 2 bilhões.
8.3.4 Automotivo
Em 2020, a montadora Toyota teve um problema: era neces-
sário entender a causa de um grande número de acidentes devido 
à culpa dos motoristas que confundiram os pedais de gasolina e 
freio. A empresa coletou dados de seus carros conectados à Inter-
net e, com base nisso, determinou como exatamente as pessoas 
pressionam os pedais.
Acontece que a força e a velocidade da pressão diferem de-
pendendo se uma pessoa quer frear ou acelerar. Agora, a empre-
sa está desenvolvendo um sistema que determinará a forma de 
pressão sobre os pedais enquanto dirige e redefinirá a velocidade 
8-9
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
FU
N
C
IO
N
A
M
EN
TO
 E
 A
P
LI
C
A
B
IL
ID
A
D
E 
D
A
 B
IG
 D
AT
A
8
do carro se o motorista pressionar o pedal do acelerador, mas faz 
como se quisesse frear.
8.3.5 Medicina
Cientistas americanos aprenderam a usar big data para de-
terminar como a depressão se espalha. A pesquisadora Munmun 
De Chaudhuri e seus colegas enviaram mensagens do Twitter, Fa-
cebook* com geotags para o modelo preditivo. Foram selecionadas 
mensagens para palavras que podem indicar um estado depressivo 
e deprimido. Os cálculos coincidiram com os dados oficiais.
8.3.6 Estruturas estaduais
O big data é simplesmente necessário para agências governa-
mentais. Com sua ajuda, não só as estatísticas são conduzidas, mas 
também a vigilância dos cidadãos. Sistemas semelhantes existem 
em muitos países: o serviço PRISM é conhecido, que são usados 
pelo FBI e pela CIA para coletar dados pessoais de redes sociais 
e produtos da Microsoft, Google e Apple. Na Rússia, informações 
sobre usuários e telefonemas são coletadas pelo sistema SORM.
8.3.7 Marketing
O big data social ajuda os usuários a agrupar interesses e 
a personalizar anúncios para eles. As pessoas são classificadas 
por idade, sexo, interesses e local de residência. Quem mora na 
mesma região, vai aos mesmos lugares, assiste vídeos e lê artigos 
sobre temas semelhantes,provavelmente se interessa pelos mes-
mos produtos.
8-10
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
FU
N
C
IO
N
A
M
EN
TO
 E
 A
P
LI
C
A
B
IL
ID
A
D
E 
D
A
 B
IG
 D
AT
A
8
Ao mesmo tempo, há escândalos regulares relacionados ao 
uso de big data no marketing. Assim, em 2018, a plataforma de 
streaming Netflix foi acusada de racismo devido ao fato de mostrar 
aos usuários diferentes pôsteres de filmes e programas de TV, de-
pendendo de seu gênero e nacionalidade.
8.3.8 Mídia
Com a ajuda da análise de big data, o público é medido na 
mídia. Neste caso, o Big Data pode até afetar a política do conselho 
editorial. Assim, o Huffington Post usa um sistema que mostra es-
tatísticas em tempo real sobre visitas, comentários e outras ações 
do usuário, e também prepara relatórios analíticos.
O sistema do Huffington Post avalia como efetivamente as 
manchetes atraem a atenção do leitor, desenvolve métodos para 
entregar conteúdo a determinadas categorias de usuários. Por 
exemplo, acontece que os pais costumam ler artigos de um smar-
tphone e tarde da noite durante a semana, depois de colocarem 
seus filhos na cama, e nos fins de semana eles geralmente estão 
ocupados – como resultado, o conteúdo para os pais é publicado 
no site em um momento conveniente para eles.
8.3.9 Logística
O uso de big data ajuda a otimizar o transporte, tornar a en-
trega mais rápida e barata. Na DHL, trabalhar com big data tocou 
no chamado problema da última milha, quando a necessidade de 
dirigir através de pátios e encontrar estacionamento antes de fazer 
um pedido come um total de 28% do custo de entrega. A empre-
sa começou a analisar as “últimas milhas” usando informações de 
8-11
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
FU
N
C
IO
N
A
M
EN
TO
 E
 A
P
LI
C
A
B
IL
ID
A
D
E 
D
A
 B
IG
 D
AT
A
8
GPS e dados de tráfego. Como resultado, foi possível reduzir os 
custos de combustível e o tempo de entrega.
Dentro da empresa, o big data ajuda a acompanhar a qua-
lidade do trabalho dos colaboradores, o cumprimento dos prazos 
e a correção de suas ações. Para análise, os dados da máquina são 
utilizados, por exemplo, a partir de scanners de encomendas em 
departamentos, e dados sociais - avaliações de visitantes ao depar-
tamento no aplicativo, em sites e em redes sociais.
8.3.10 Processamento de fotos
Até 2016, não havia tecnologia de redes neurais em dispositi-
vos móveis, até mesmo considerado impossível. Um avanço nessa 
área (inclusive graças à startup russa Prisma) nos permite 
hoje usar um grande número de filtros, estilos e diferentes efeitos 
em fotos e vídeos.
8.3.11 Imóvel para aluguel
O serviço airbnb com a ajuda do Big Data mudou o compor-
tamento dos usuários. Um dia descobriu-se que os visitantes do 
site para alugar imóveis da Ásia muito rapidamente deixá-lo e não 
voltar. Acontece que eles vão da página principal para “Lugares 
próximos” e vão ver fotos sem mais reservas.
A empresa analisou detalhadamente o comportamento 
dos usuários e substituiu os links na seção “Lugares próximos” 
pelos destinos de viagem mais populares nos países asiáticos. 
Como resultado, a conversão para reservas desta parte do pla-
neta aumentou 10%.
8-12
	� EXERCÍCIOS PROPOSTOS
01 Fluxos de dados podem ter picos e cochos, sazonalidade, periodicidade. 
Rajadas de informações não estruturadas são difíceis de gerenciar, exi-
gindo poderosas tecnologias de processamento. Estamos nos referindo a:
▢ -a) Variabilidade
▢ -b) Variedade
▢ -c) Valor
▢ -d) Volume
▢ -e) Velocidade
02 Observe as afirmações abaixo:
I) Velocidade – as informações são atualizadas regularmente e tecnologias 
inteligentes de big data são necessárias para processamento em tempo real.
II) O princípio de operação da tecnologia de big data baseia-se no máximo 
informando ao usuário sobre qualquer objeto ou fenômeno
III) Em máquinas inteligentes, um modelo do futuro é construído com base 
em somente uma informação, e então várias opções são simuladas e os 
resultados são rastreados.
Estão CORRETAS:
▢ -a) I e III
▢ -b) III somente
▢ -c) II e III
▢ -d) I somente
▢ -e) I e II
03 Nos sistemas modernos, dois fatores adicionais são considerados:
▢ -a) Variedade e Velocidade
▢ -b) Variabilidade e Valor
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
8-13
▢ -c) Variabilidade e Velocidade
▢ -d) Volume e Valor
▢ -e) Variabilidade e Volume
04 Agências analíticas modernas executam milhões de simulações seme-
lhantes quando testam uma ideia, uma suposição ou resolvem um pro-
blema. O processo é automatizado. As fontes de big data incluem:
▢ -a) Social, máquina e transacional
▢ -b) Hadoop e Apache Spark
▢ -c) Internet, informações corporativas e leituras de dispositivos 
de leitura
▢ -d) Variabilidade, Volume e Valor
▢ -e) Internet, Variabilidade e Valor
05 Os princípios de trabalhar com conjuntos de dados incluem três fatores 
principais que são:
▢ -a) Extensibilidade do sistema, Resiliência e Localização
▢ -b) Social, máquina, transacional
▢ -c) Variabilidade, Volume e Valor
▢ -d) Internet, Variabilidade e Valor
▢ -e) Extensibilidade do sistema, Resiliência e valor
06 É entendido como a escalabilidade horizontal dos portadores de infor-
mações. Ou seja, o volume de dados recebidos aumentou - a capacidade 
e o número de servidores para seu armazenamento aumentaram. Esse 
conceito é definido como:
▢ -a) Resiliência
▢ -b) Localização
▢ -c) Variabilidade
▢ -d) Extensibilidade do sistema
▢ -e) Valor
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
8-14
07 As fontes de coleta de big data são divididas em três tipos, que são:
▢ -a) Variabilidade, Volume e Valor
▢ -b) Social, máquina e transacional
▢ -c) Extensibilidade do sistema, Resiliência e Localização
▢ -d) Internet, Variabilidade e Valor
▢ -e) Social, máquina e Valor
08 Observe as afirmações abaixo:
I) Tudo o que uma pessoa faz online é uma fonte de big data social.
II) Outros exemplos de fontes sociais do Big Data incluem estatísticas de 
país e cidade, dados sobre movimentos de pessoas, registros de morte e 
nascimento e registros médicos.
III) O big data também é gerado por máquinas, sensores e internet das 
coisas. Informações nem sempre são recebidas de smartphones, alto-falan-
tes inteligentes, lâmpadas e sistemas domésticos inteligentes, câmeras de 
vídeo nas ruas, satélites meteorológicos e sim de outros meios totalmente 
diferentes.
Estão INCORRETAS:
▢ -a) I e III
▢ -b) I somente
▢ -c) II e III
▢ -d) I e II
▢ -e) III somente
09 São exemplos de software baseado no MapReduce:
▢ -a) Hadoop e Apache Spark
▢ -b) Processamento de fotos e logística
▢ -c) Mídia e Marketing
▢ -d) Hadoop e Processamento de fotos
▢ -e) Mídia e Apache Spark
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
8-15
10 Observe as afirmações abaixo:
I) MapReduce é um programa específico, com um algoritmo que pode ser 
usado para resolver a os problemas de processamento de big data.
II) Os arrays big data são tão grandes que um Simples Excel não pode lidar 
com eles. Portanto, software especial é usado para trabalhar com eles.
III) O big data é necessário em marketing, transporte, automotivo, saúde, 
ciência, agricultura e outras áreas nas quais é possível coletar e processar 
os conjuntos necessários de informações.
Estão CORRETAS:
▢ -a) II somente
▢ -b) I e III
▢ -c) II e III
▢ -d) III somente
▢ -e) I somente
DISCIPLINA:
Arquiteturas Disruptivas, 
IOT, Big Data e 
Inteligência Artificial
UNIDADE 5: 
FUNDAMENTOS DE 
INTELIGÊNCIA ARTIFICIAL
Caro(a) Aluno(a)
Seja bem-vindo(a)!
Nesta quinta unidade, daremos orientações sobre os fundamentos da 
inteligência artificial. Aqui, veremos dados estatísticos de aplicabilidade, 
além de conceitos sobre esta tecnologia.
Conteúdos da Unidade
Neste capítulo, iremos abordar sobre Inteligência artificial. Veremos 
como funciona esta tecnologia, bem como as formas como elas vêm 
impactando o mundo moderno.
 9 Conceitos e Definições de Inteligência Artificial;
 9 Aplicabilidade e Exemplos da Inteligência Artificial.Acompanhe os conteúdos desta unidade. Se preferir, vá assinalando os 
assuntos, à medida que for estudando.
Bons estudos!!!
DISCIPLINA:
Arquiteturas Disruptivas, 
IOT, Big Data e 
Inteligência Artificial
CAPÍTULO 9: 
CONCEITOS E DEFINIÇÕES DE 
INTELIGÊNCIA ARTIFICIAL
9-3
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
C
O
N
C
EI
TO
S
 E
 D
EF
IN
IÇ
Õ
ES
 D
E 
IN
TE
LI
G
ÊN
C
IA
 A
R
TI
FI
C
IA
L
9
9�1 FUNDAMENTOS
A IA é um complexo de tecnologias e processos relaciona-
dos que estão se desenvolvendo de forma qualitativa e rápida, 
por exemplo:
 9 processamento de texto de linguagem natural
 9 aprendizado de máquina
 9 sistemas especializados
 9 agentes virtuais (chatbots e assistentes virtuais)
 9 sistemas de recomendação.
Há uma velha piada na ciência da computação: Qual 
é a diferença entre IA e automação? Automação é algo que pode 
ser feito com um computador, e AI é algo que gostaríamos de ser 
capazes de fazer. Uma vez que aprendemos a fazer algo, ele passa 
da IA para a automação.
Essa piada é verdadeira hoje, já que a IA não é definida clara-
mente o suficiente. “Inteligência artificial” simplesmente não é um 
termo técnico. Se você for à Wikipédia, diz que a IA é “inteligência 
demonstrada por máquinas, em oposição à inteligência natural 
demonstrada por humanos e outros animais”. Você não pode di-
zer isso menos claramente.
Em geral, existem dois tipos de IA: forte e fraca. A IA 
forte é imaginada pela maioria das pessoas quando ouve falar de 
IA – é algum tipo de inteligência onisciente semelhante a Deus 
como skynet ou Hal 9000, capaz de raciocinar e comparável ao 
humano, enquanto supera suas capacidades.
As AIs fracas são algoritmos altamente especializados pro-
jetados para responder a certas perguntas úteis em áreas estrita-
mente definidas. Por exemplo, um programa de xadrez muito bom 
9-4
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
C
O
N
C
EI
TO
S
 E
 D
EF
IN
IÇ
Õ
ES
 D
E 
IN
TE
LI
G
ÊN
C
IA
 A
R
TI
FI
C
IA
L
9
se encaixa nessa categoria. O mesmo pode ser dito sobre o softwa-
re, que ajusta com muita precisão os pagamentos do seguro. Em 
seu campo, tais IA alcançam resultados impressionantes, mas em 
geral são muito limitados.
Com exceção dos usos de Hollywood, não estamos nem perto 
de uma IA forte hoje. Até agora, qualquer IA é fraca, e a maioria 
dos pesquisadores neste campo concorda que as técnicas que in-
ventamos para criar belas IA fraca provavelmente não nos aproxi-
marão da criação de IA forte.
Então a IA de hoje é mais um termo de marketing do que téc-
nico. A razão pela qual as empresas anunciam sua “IA” em vez de 
“automação” é porque elas querem introduzir a IA de Hollywood 
na consciência pública. No entanto, isso não é tão ruim. Se levar-
mos isso não muito estritamente, então as empresas só querem 
dizer que, embora ainda estejamos muito longe da IA forte, a IA 
fraca de hoje é muito mais capaz do que existia há alguns anos.
E marketing à parte, é assim que as coisas são. Em certas 
áreas, as capacidades das máquinas aumentaram dramaticamente, 
e principalmente graças a mais duas frases agora na moda: apren-
dizado de máquina e deep learning.
9�2 Definições e histórico da Inteligência Artificial
O Gartner define inteligência artificial (IA) como uma tec-
nologia que imita a inteligência humana, normalmente por meio 
do aprendizado, e tiram conclusões simulando a compreensão de 
conteúdo complexo. Isso possibilita que a IA participe de diálogos 
naturais com as pessoas, melhore as habilidades cognitivas huma-
nas ou substitua as pessoas na resolução de tarefas não rotineiras.
9-5
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
C
O
N
C
EI
TO
S
 E
 D
EF
IN
IÇ
Õ
ES
 D
E 
IN
TE
LI
G
ÊN
C
IA
 A
R
TI
FI
C
IA
L
9
O nascimento da inteligência artificial ocorreu no início da 
década de 1950. Em 1950, Alan Turing, com a intenção de deter-
minar se uma máquina poderia pensar, propôs o teste que leva seu 
nome. A redação do teste pode ser representada da seguinte forma: 
uma pessoa interage com um computador digitando um texto e, 
com base nas respostas às perguntas, deve determinar com quem 
está falando - com uma pessoa ou um programa de computador. 
Se uma máquina pode enganar uma pessoa, ela passa no teste de 
Turing. No início da década de 1950, surgiram as primeiras pes-
quisas e desenvolvimentos relacionados às tentativas de criar IA. 
Em 1951, Marvin Minsky construiu a primeira máquina de apren-
dizado SNARC baseada em uma rede neural. Nesse mesmo ano, 
Christopher Strachey da Universidade de Manchester escreveu 
um programa de damas, e Dietrich Prinz escreveu um programa 
de xadrez. Em 1954, nos Estados Unidos, várias dezenas de fra-
ses foram traduzidas do russo para o inglês usando um computa-
dor (o chamado “experimento de Georgetown”), que teve 
grande ressonância.
O termo “Inteligência Artificial” foi cunhado em 1955 pelo 
cientista da computação e desenvolvedor da linguagem de progra-
mação LISP John McCarthy, que usou o termo Inteligência Artifi-
cial para se referir a um conjunto de tecnologias de informação que 
deveriam resolver problemas algorítmicos complexos.
Em meados da década de 1970, surgiram muitos trabalhos 
promissores que inspiraram grande otimismo em relação ao de-
senvolvimento da IA. Os programas desenvolvidos na época eram 
realmente pioneiros - provavam teoremas, jogavam jogos men-
tais, traduziam frases em linguagem natural, o que causava uma 
ótima impressão. E, embora os resultados tenham sido modes-
tos, incutiram confiança nas perspectivas mais rápidas de solução 
dos problemas.
9-6
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
C
O
N
C
EI
TO
S
 E
 D
EF
IN
IÇ
Õ
ES
 D
E 
IN
TE
LI
G
ÊN
C
IA
 A
R
TI
FI
C
IA
L
9
Em 1959, Arthur Samuel proferiu uma frase definindo a es-
sência da IA como “a capacidade de um programa aprender sem 
ser explicitamente programado”. Esse princípio também é usado 
em sistemas modernos, por exemplo, em sistemas de reconheci-
mento de imagens - centenas de milhares ou até milhões de ima-
gens nas quais as pessoas notam a presença de um objeto reconhe-
cível fornecem a quantidade necessária de dados para a máquina, 
que, com base nessa dados, forma um algoritmo que permite “ver” 
um objeto reconhecível com um certo grau de probabilidade. Ao 
mesmo tempo, a máquina melhora gradualmente a qualidade do 
reconhecimento à medida que mais e mais exemplos são obtidos, e 
não com base na programação explícita desta solução.
No final dos anos 1950 e início dos anos 1960, havia muitos 
programas de sucesso e novas direções no campo da IA. Em 1961, 
surgiu o primeiro robô industrial UNIMATE, que substituiu uma 
pessoa em uma esteira GM, em 1964 foi implementado o projeto 
pioneiro Eliza - um chatbot desenvolvido no Massachusetts Insti-
tute of Technology, que conduzia conversas com pessoas. Em 1966, 
o robô móvel de uso geral SHAKEY foi criado. Em 1974, o campe-
onato mundial de xadrez entre programas de computador foi reali-
zado pela primeira vez. O vencedor desta competição foi o progra-
ma de xadrez soviético Kaissa. Parecia aos especialistas que em 5 a 
10 anos seria possível criar uma máquina com a inteligência geral 
de uma pessoa comum. No entanto, isso ainda não aconteceu.
Em meados da década de 1970, chegou o chamado primei-
ro inverno da IA. Os pesquisadores se depararam com limitações 
que não puderam ser superadas na época - poder de computação 
e recursos de memória insuficientes. As expectativas do público 
eram tão altas que a realidade parecia insatisfatória, as promessas 
não se concretizavam. As agências que financiaram a pesquisa de 
9-7
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
C
O
N
C
EI
TO
S
 E
 D
EF
IN
IÇ
Õ
ES
 D
E 
IN
TE
LI
G
ÊN
C
IA
 A
R
TI
FI
C
IA
L
9
IA ficaram frustradas com a falta de progresso e acabaram cortan-
do o financiamento.
No entanto, o interesse pelo tópico retornouna década de 
1980 com o desenvolvimento da IA na forma de “sistemas especia-
listas” - programas que respondem a perguntas ou resolvem pro-
blemas de nicho usando regras lógicas e bases de conhecimento 
especializadas. (Aos primeiros exemplos incluem o progra-
ma MYCIN, que foi desenvolvido em 1972 e diagnosticou 
doenças infecciosas do sangue). Em 1980, a Digital Equip-
ment Corp. Foi criado um sistema especialista chamado XCON 
que economizou US$ 40 milhões anualmente. Desde o início da 
década de 1980, corporações de todo o mundo começaram a de-
senvolver sistemas especialistas.
Outros desenvolvimentos no campo da IA também perten-
cem ao mesmo período, por exemplo, pode-se notar o sucesso no 
campo da criação de programas de xadrez. Em 1989, o programa 
Deep Thought, desenvolvido na Carnegie Mellon University, con-
seguiu derrotar um oponente de nível de grande mestre (aliás, 
Deep Thought era o protótipo do famoso computador 
Deep Blue). Em 1984, a Carnegie Mellon University começou a 
pesquisar veículos controlados por computador e, em 1986, come-
çou a produção do primeiro veículo desse tipo, o Navlab 1.
O próximo “inverno” eclodiu no período 1987-1993. No final 
dos anos 1980 e início dos anos 1990, a indústria de IA passou 
por uma série de contratempos financeiros. Um golpe sério foi o 
colapso do mercado de hardware especializado em inteligência ar-
tificial, que começou em 1987. Os desktops da Apple e da IBM ra-
pidamente ganharam poder de computação e logo tornaram inefi-
cientes as máquinas LISP mais caras (LISP foi orientada para 
modelar vários aspectos da IA), fazendo com que todo um 
9-8
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
C
O
N
C
EI
TO
S
 E
 D
EF
IN
IÇ
Õ
ES
 D
E 
IN
TE
LI
G
ÊN
C
IA
 A
R
TI
FI
C
IA
L
9
setor fosse desligado. Os primeiros sistemas especializados acaba-
ram sendo muito caros - mais decepções levaram a uma redução 
no financiamento.
Aumentar o poder da computação, estabelecer metas comer-
ciais mais realistas e mais específicas revigoraram o interesse em 
tecnologias de IA em meados da década de 1990. A grande publici-
dade para a IBM e para as tecnologias de IA em geral foi a vitória 
da “máquina pensante” em 1997, quando o Deep Blue se tornou o 
primeiro sistema de xadrez de computador a derrotar o atual cam-
peão mundial de xadrez Garry Kas Parov.
Em 2005, um robô de Stanford venceu um DARPA Grand 
Challenge patrocinado pelo governo dos EUA ao dirigir de forma 
autônoma 131 milhas ao longo de uma estrada deserta. E em 2007, 
como parte do Desafio Urbano, o veículo não tripulado DARPA 
demonstrou navegação autônoma em uma rodovia de 55 milhas 
em um ambiente urbano.
Algoritmos originalmente desenvolvidos como parte da pes-
quisa de IA passaram a ser usados como tecnologias incorporadas 
para várias soluções em que o termo IA não é mais mencionado. 
Estamos falando de tarefas na área de inteligência de negócios, ro-
bótica, logística, desenvolvimento de mecanismos de busca, siste-
mas de reconhecimento de fala e diagnóstico médico. Em 1994, o 
computador venceu o campeão mundial de damas, em 1997 - no xa-
drez, mas por muito tempo, a IA não conseguiu vencer uma pessoa 
no jogo de go. O número de movimentos possíveis neste jogo com 
raízes chinesas antigas excede o número de átomos no universo 
observável (cerca de 10118). Em 2016, o campeão mundial de go 
Lee Se Dol perdeu quatro das cinco partidas para um computador, 
perdendo um prêmio de um milhão de dólares e proporcionando 
uma campanha publicitária inédita para o Google (DeepMind, 
9-9
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
C
O
N
C
EI
TO
S
 E
 D
EF
IN
IÇ
Õ
ES
 D
E 
IN
TE
LI
G
ÊN
C
IA
 A
R
TI
FI
C
IA
L
9
o desenvolvedor do algoritmo que venceu o humano, foi 
comprado por Google em 2014).
Nesse período, os robôs entram no mercado consumidor. 
Em 1999, a Sony lança o primeiro cão robótico, o AiBO (robô 
AI), com habilidades e personalidade que se desenvolvem ao lon-
go do tempo. E em 2002, surge o primeiro aspirador de pó robótico 
autônomo serial iRobot, que aprende a navegar limpar residências.
Na última década, o desenvolvimento da IA foi influencia-
do pelo crescimento do poder da computação, avanços na tecno-
logia de big data e na Internet das Coisas. O crescimento do poder 
dos recursos de computação e a diminuição de seu custo levam à 
convergência das tecnologias IoT, big data que ele cria e IA, que 
permite obter novos conhecimentos por meio do “pensamento” 
desses dados.
Os avanços no aprendizado profundo levaram a uma nova 
qualidade no processamento de imagem e vídeo, análise de texto 
e reconhecimento de fala. A IA está entrando ativamente no mer-
cado consumidor de produtos de massa. Em 2011, a Apple integra 
o Siri, um assistente virtual inteligente com interface de voz, no 
iPhone 4S. Nesse mesmo ano, o computador IBM Watson ganhou 
o primeiro lugar e um prêmio de US$ 1 milhão no popular progra-
ma de TV Jeopardy. Em 2014, o chatbot Evgeny Gustman passa 
no teste do Tew.
Em 2016, o chatbot Microsoft Tay se tornou um pária social, 
redes para comentários racistas ofensivos.
A McKinsey estima que o aprendizado de máquina e o apren-
dizado profundo representam cerca de 60% do investimento em 
aplicativos de IA. De acordo com IDC, os maiores consumidores 
de sistemas de IA são bancos, redes de varejo, instituições médicas 
e empresas industriais. Os investimentos em inteligência artificial 
9-10
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
C
O
N
C
EI
TO
S
 E
 D
EF
IN
IÇ
Õ
ES
 D
E 
IN
TE
LI
G
ÊN
C
IA
 A
R
TI
FI
C
IA
L
9
vêm de várias fontes, incluindo investimentos diretos de empresas 
em seus próprios projetos, investimentos na aquisição e desenvol-
vimento de empresas de IA, financiamento para startups de IA de 
capital de risco.
Segundo Olma Next, nos últimos cinco anos, o interesse em 
comprar empresas com expertise na área de IA das maiores cor-
porações de tecnologia cresceu significativamente. Nos cinco anos 
desde 2012, mais de 200 empresas privadas de IA foram adquiri-
das. Somente em 2014 e 2015, oito grandes empresas globais de 
tecnologia adquiriram 26 empresas de IA por um total de US$ 
5 bilhões. Líderes do setor como Apple, Facebook, Google, IBM, 
Intel, Microsoft, Salesforce e Yahoo competem para adquirir star-
tups do setor. Ao mesmo tempo, não apenas empresas de TI estão 
envolvidas nesse negócio, mas também empresas de outros seto-
res, como Ford, GE e Samsung.
Os principais centros de pesquisa de IA estão localizados na 
América do Norte, a pesquisa ativa está sendo realizada na Chi-
na, os países europeus estão atrasados em termos de investimen-
to nessa área, mas várias instituições, incluindo as universidades 
de Cambridge, Zurique e Tübingen, estão realizando pesquisas na 
área de IA.
Desde 2017, o mundo literalmente começou a corrida pela 
liderança global no campo da inteligência artificial. Vários países, 
incluindo Canadá, Japão, Cingapura, China, Emirados Árabes Uni-
dos, Finlândia, Dinamarca, França, Reino Unido, Coreia do Sul e 
Índia, lançaram planos estratégicos de IA.
O Canadá é um dos primeiros países a lançar uma Estratégia 
Nacional de IA, um plano de cinco anos de C$ 125 milhões para 
investir em pesquisa de IA e desenvolvimento profissional. Em 
2017, a China anunciou seu “Plano de Desenvolvimento de IA de 
9-11
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
C
O
N
C
EI
TO
S
 E
 D
EF
IN
IÇ
Õ
ES
 D
E 
IN
TE
LI
G
ÊN
C
IA
 A
R
TI
FI
C
IA
L
9
Próxima Geração”, que é uma das estratégias nacionais de IA mais 
abrangentes e inclui um programa de pesquisa, adoção de tecnolo-
gia de IA, programa de desenvolvimento de talentos, implementa-
ção de padrões e normas e desenvolvimento de segurança. O pla-
no contém três objetivos: primeiro, alcançar a paridade com 
os concorrentes até 2020; segundo, alcançar “desempenho líder 
mundial em algumas áreas de inteligência artificial até2025”; e, 
em terceiro lugar, tornar-se um centro de excelência para inovação 
em IA até 2030.
A China é marcada duas vezes na Figura 2-45 porque pu-
blicou dois documentos, um plano mestre para “desenvolvimento 
de IA de próxima geração” e, posteriormente, uma atualização do 
plano de ação de três anos.
Tendo revisto brevemente a história do desenvolvimento das 
tecnologias de IA, tentaremos responder à questão de quais áreas 
da IA encontraram a maior aplicação na prática. Para isso, você 
pode recorrer a um estudo da Venture Scanner, que estuda as ati-
vidades de centenas de empresas envolvidas no campo da IA. De 
acordo com o Venture Scanner, os dados da empresa podem ser 
divididos em 13 categorias.
9-12
	� EXERCÍCIOS PROPOSTOS
01 Observe as afirmações abaixo:
I) A IA é um complexo de tecnologias e processos relacionados que estão se 
desenvolvendo de forma qualitativa e rápida.
II) IA é definida claramente o suficiente. “Inteligência artificial” simplesmen-
te é um termo técnico.
III) A Wikipédia, diz que a IA é “inteligência demonstrada por máquinas, em 
oposição à inteligência natural demonstrada por humanos e outros animais”.
Estão CORRETAS:
▢ -a) I e III
▢ -b) II somente
▢ -c) II e III
▢ -d) I somente
▢ -e) II e III
02 Em geral, existem dois tipos de IA que são:
▢ -a) Rápidas e lentas
▢ -b) Altas e baixas
▢ -c) Pequenas e grandes
▢ -d) Longas e curtas
▢ -e) Forte e fraca
03 Observe as afirmações abaixo:
I) A IA forte são algoritmos altamente especializados projetados para res-
ponder a certas perguntas úteis em áreas estritamente definidas.
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
9-13
II) AIs fracas é imaginada pela maioria das pessoas quando ouve falar de 
IA – é algum tipo de inteligência onisciente semelhante a Deus como skynet 
ou Hal 9000, capaz de raciocinar e comparável ao humano, enquanto supera 
suas capacidades.
III) Até agora, qualquer IA é fraca, e a maioria dos pesquisadores neste 
campo concorda que as técnicas que inventamos para criar belas IA fraca 
provavelmente não nos aproximarão da criação de IA forte.
Estão INCORRETAS:
▢ -a) II e III
▢ -b) I e II
▢ -c) II somente
▢ -d) III somente
▢ -e) I somente
04 Ele define inteligência artificial (IA) como uma tecnologia que imita a 
inteligência humana, normalmente por meio do aprendizado, e tiram 
conclusões simulando a compreensão de conteúdo complexo. Estamos 
falando de:
▢ -a) Alan Turing
▢ -b) Marvin Minsky
▢ -c) Christopher Strachey
▢ -d) Gartner
▢ -e) Dietrich Prinz
05 O nascimento da inteligência artificial ocorreu no início da década de:
▢ -a) 1990
▢ -b) 1960
▢ -c) 1951
▢ -d) 1955
▢ -e) 1999
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
9-14
06 Em 1950, com a intenção de determinar se uma máquina poderia pensar, 
propôs o teste que leva seu nome. Estamos falando de:
▢ -a) Marvin Minsky
▢ -b) Dietrich Prinz
▢ -c) Alan Turing
▢ -d) Gartner
▢ -e) Christopher Strachey
07 Observe as afirmações abaixo:
I) Com exceção dos ousos de Hollywood, não estamos nem perto de uma 
IA forte hoje. Até agora, qualquer IA é fraca, e a maioria dos pesquisadores 
neste campo concorda que as técnicas que inventamos para criar belas IA 
fraca provavelmente não nos aproximarão da criação de IA forte.
II) Então a IA de hoje é mais um termo de técnico do que marketing. A razão 
pela qual as empresas anunciam sua “IA” em vez de “automação” é porque 
elas querem introduzir a IA de Hollywood na consciência pública.
III) E marketing à parte, é assim que as coisas são. Em certas áreas, as capa-
cidades das máquinas aumentaram dramaticamente, e principalmente graças 
a mais duas frases agora na moda: aprendizado de máquina e deep learning.
Estão CORRETAS:
▢ -a) I somente
▢ -b) I e II
▢ -c) II e III
▢ -d) III 
▢ -e) I e III
08 Em 1951, ele construiu a primeira máquina de aprendizado SNARC base-
ada em uma rede neural. Estamos falando de:
▢ -a) Dietrich Prinz
▢ -b) Marvin Minsky
▢ -c) Alan Turing
▢ -d) Christopher Strachey
▢ -e) Gartner
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
9-15
09 Observe as afirmações abaixo:
I) O termo “Inteligência Artificial” foi cunhado em 1990 pelo cientista da 
computação e desenvolvedor da linguagem de programação LISP John Mc-
Carthy, que usou o termo Inteligência Artificial para se referir a um conjunto 
de tecnologias de informação que deveriam resolver problemas algorítmicos 
complexos.
II) Em meados da década de 1955, surgiram muitos trabalhos promissores 
que inspiraram grande otimismo em relação ao desenvolvimento da IA.
III) Em 1959, Arthur Samuel proferiu uma frase definindo a essência da 
IA como “a capacidade de um programa aprender sem ser explicitamente 
programado”.
Estão INCORRETAS:
▢ -a) III somente
▢ -b) I e III
▢ -c) I e II
▢ -d) I somente
▢ -e) II somente
10 Aumentar o poder da computação, estabelecer metas comerciais mais 
realistas e mais específicas revigoraram o interesse em tecnologias de 
IA em meados da década de:
▢ -a) 1960
▢ -b) 1990
▢ -c) 1999
▢ -d) 1951
▢ -e) 1950
DISCIPLINA:
Arquiteturas Disruptivas, 
IOT, Big Data e 
Inteligência Artificial
CAPÍTULO 10: 
APLICABILIDADE E EXEMPLOS 
DA INTELIGÊNCIA ARTIFICIAL
10-2
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
A
P
LI
C
A
B
IL
ID
A
D
E 
E 
EX
EM
P
LO
S
 D
A
 I
N
TE
LI
G
ÊN
C
IA
 A
R
TI
FI
C
IA
L
10
10�1 FUNDAMENTOS
Todo o mundo da tecnologia está debatendo as implicações 
da inteligência artificial, e o papel que a IA desempenhará na for-
mação do nosso futuro. Embora possamos pensar que a IA, pelo 
menos em alguns anos, não terá um impacto significativo em nos-
sas vidas, o fato é que ela já está tendo um grande impacto sobre 
nós. A inteligência artificial influencia nossas decisões e nosso esti-
lo de vida todos os dias. Neste capítulo, daremos alguns exemplos 
de segmentos e de aplicabilidade do uso da IA.
10�2 Machine Learning
ML é uma maneira especial de criar inteligência de máquina. 
Digamos que você queira lançar um foguete, e prever para onde ele 
vai. Em geral, não é tão difícil: a gravidade é muito bem compreen-
dida, você pode escrever equações e calcular para onde ela irá com 
base em várias variáveis – como velocidade e posição inicial.
No entanto, essa abordagem torna-se desajeitada se recor-
rermos a uma área cujas regras não são tão conhecidas e claras. 
Digamos que você queira um computador para dizer se há algu-
ma imagem em uma amostra de um gato. Como você vai escrever 
regras descrevendo a espécie em todas as perspectivas possíveis 
sobre todas as combinações possíveis de bigodes e orelhas?
Hoje, a abordagem ML é bem conhecida: em vez de tentar 
escrever todas as regras, você cria um sistema que pode derivar 
independentemente um conjunto de regras internas depois de es-
tudar um grande número de exemplos. Em vez de descrever gatos, 
você apenas mostra à sua IA um monte de fotos de gatos, e deixa 
saber por si só o que é um gato e o que não é.
10-3
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
A
P
LI
C
A
B
IL
ID
A
D
E 
E 
EX
EM
P
LO
S
 D
A
 I
N
TE
LI
G
ÊN
C
IA
 A
R
TI
FI
C
IA
L
10
E por enquanto, essa é a abordagem perfeita. Um sistema 
que aprende regras baseadas em dados por si só pode ser melho-
rado simplesmente adicionando dados. E se nossa espécie pode 
fazer algo muito bem, é gerar, armazenar e gerenciar dados. Quer 
aprender a reconhecer melhor gatos? A internet está gerando mi-
lhões de exemplos agora.
O fluxo cada vez maior de dados é uma das razões para o 
crescimento explosivo dos algoritmos de ML nos últimos tempos. 
Outras razões estão relacionadas com o uso desses dados.
Além dos dados, existem duas outras questões rela-
cionadas para o MO:
 9 Como me lembro do que aprendi? Como faço para arma-
zenar e apresentar no meu computador as comunicações 
e regras que inferi dos dados?
 9 Como eu aprendo? Como você muda a representação 
preservada em resposta a novos exemplos e melhora?
Em outras palavras, o que exatamente está aprendendo com 
todos esses dados?
Em ML, a representação computacionaldo aprendizado que 
armazenamos é o modelo. O tipo de modelo usado é muito impor-
tante: ele determina como sua IA aprende, quais dados ele pode 
aprender e quais perguntas você pode fazer.
Vamos olhar para um exemplo muito simples. Diga-
mos que compramos figos em um supermercado, e queremos fazer 
uma IA com um médico que nos diga se está maduro. Isso deve ser 
fácil de fazer, porque no caso de figos, quanto mais macios eles são, 
mais doces eles são.
10-4
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
A
P
LI
C
A
B
IL
ID
A
D
E 
E 
EX
EM
P
LO
S
 D
A
 I
N
TE
LI
G
ÊN
C
IA
 A
R
TI
FI
C
IA
L
10
Podemos pegar algumas amostras de figos maduros e não 
maduros, ver o quão doces eles são, e depois colocá-los em um grá-
fico e ajustar uma linha reta a ele. Esta linha reta será nosso modelo.
Figura 10-1: O germe da IA na forma de “quanto mais macio, mais doce”
Fonte: Próprio Autor
Com a adição de novos dados, a tarefa se torna mais complicada.
Segue explicitamente a ideia de que “quanto mais macios eles 
são, mais doces” e nem sequer tivemos que escrever nada. Nosso 
embrião de IA não sabe nada sobre o teor de açúcar ou amadureci-
mento da fruta, mas pode prever a doçura da fruta comprimindo-a.
Como treinar um modelo para melhorá-lo? Podemos coletar 
ainda mais amostras e desenhar outra linha reta para obter pre-
visões mais precisas (como na segunda imagem acima). No 
entanto, os problemas imediatamente se tornam aparentes. Até 
agora, treinamos nossa IA de figo em frutas de qualidade – e se 
pegarmos dados de um pomar? De repente, não só temos frutas 
maduras, mas também podres. Eles são muito macios, mas defini-
tivamente não são adequados para comer.
10-5
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
A
P
LI
C
A
B
IL
ID
A
D
E 
E 
EX
EM
P
LO
S
 D
A
 I
N
TE
LI
G
ÊN
C
IA
 A
R
TI
FI
C
IA
L
10
O que devemos fazer? Bem, já que é um modelo ML, pode-
mos apenas alimentá-lo com mais dados, certo?
Como mostra a primeira imagem abaixo, neste caso tere-
mos resultados completamente sem sentido. Reto simplesmente 
não é adequado para descrever o que acontece quando uma fruta 
fica muito madura. Nosso modelo não se encaixa mais na estrutura 
de dados.
Em vez disso, teremos que mudá-lo, e usar um modelo me-
lhor e mais sofisticado – talvez uma parábola, ou algo semelhante. 
Essa mudança complica o aprendizado porque desenhar curvas re-
quer matemática mais complexa do que desenhar uma linha reta.
Figura 10-2: Com a adição de novos dados, a tarefa se torna mais complicada
Fonte: Próprio Autor
O exemplo é muito bobo, mas mostra que escolher um mo-
delo determina oportunidades de aprendizado. No caso de figos, 
os dados são simples e os modelos podem ser simples. Mas se 
você está tentando aprender algo mais complexo, modelos mais 
complexos são necessários. Assim como nenhuma quantidade de 
10-6
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
A
P
LI
C
A
B
IL
ID
A
D
E 
E 
EX
EM
P
LO
S
 D
A
 I
N
TE
LI
G
ÊN
C
IA
 A
R
TI
FI
C
IA
L
10
dados fará com que um modelo linear reflita o comportamento de 
frutas podres, é impossível encontrar uma curva simples corres-
pondente a um monte de imagens para criar um algoritmo de vi-
são computacional.
Portanto, o desafio para o ML é criar e selecionar os modelos 
certos para as tarefas apropriadas. Precisamos de um modelo com-
plexo o suficiente para descrever conexões e estruturas realmente 
complexas, mas simples o suficiente para poder trabalhar e treiná-
-lo. Assim, enquanto a internet, os smartphones, e assim por dian-
te têm gerado incríveis montanhas de dados para aprender, ainda 
precisamos dos modelos certos para tirar proveito desses dados.
10�3 Deep Learning
Deep learning é aprendizado de máquina que usa 
um certo tipo de modelo: redes neurais profundas.
Redes neurais são um tipo de modelo ML que usa uma es-
trutura semelhante a neurônios no cérebro para cálculos e previ-
sões. Neurônios em redes neurais são organizados em camadas: 
cada camada realiza um conjunto de cálculos simples e transmite 
uma resposta para a próxima.
O modelo camada por camada permite cálculos mais com-
plexos. Uma rede simples com um pequeno número de camadas 
de neurônios é suficiente para reproduzir a linha ou parábola que 
usamos acima. Redes neurais profundas são redes neurais com 
um grande número de camadas, com dezenas, ou até centenas; daí 
seu nome. Com tantas camadas, você pode criar modelos incrivel-
mente poderosos.
10-7
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
A
P
LI
C
A
B
IL
ID
A
D
E 
E 
EX
EM
P
LO
S
 D
A
 I
N
TE
LI
G
ÊN
C
IA
 A
R
TI
FI
C
IA
L
10
Esse recurso é uma das principais razões para a enorme po-
pularidade das redes neurais profundas nos últimos anos. Eles po-
dem aprender uma variedade de coisas complexas sem forçar um 
pesquisador humano a definir quaisquer regras, e isso nos permi-
tiu criar algoritmos capazes de resolver uma variedade de proble-
mas que os computadores não poderiam abordar antes.
No entanto, outro aspecto contribuiu para o sucesso 
das redes neurais: o treinamento.
A “memória” de um modelo é um conjunto de parâmetros 
numéricos que determinam como ele responde às perguntas que 
faz. Treinar um modelo é ajustar esses parâmetros para que o mo-
delo produza as melhores respostas possíveis.
Em nosso modelo de figo, estávamos procurando a equação 
em linha reta. Esta é uma simples tarefa de regressão, e há fórmu-
las que lhe darão a resposta em um passo. 
Figura 10-3: Uso de linha reta em IA para delimitação
Fonte: Próprio Autor
10-8
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
A
P
LI
C
A
B
IL
ID
A
D
E 
E 
EX
EM
P
LO
S
 D
A
 I
N
TE
LI
G
ÊN
C
IA
 A
R
TI
FI
C
IA
L
10
Com modelos mais complexos, nem tudo é tão simples. É fá-
cil imaginar uma linha reta e uma parábola em vários números, 
mas uma rede neural profunda pode ter milhões de parâmetros, e 
o conjunto de dados para seu treinamento também pode consistir 
em milhões de exemplos. Não há solução analítica de um passo.
Felizmente, há um truque estranho: você pode começar com 
uma rede neural ruim, e depois melhorá-la com a ajuda de ajus-
tes graduais.
Aprender o modelo ML dessa forma é semelhante ao teste de 
um aluno com testes. Cada vez, temos uma estimativa comparando 
o que o modelo acha que o modelo deve responder com as respos-
tas “certas” nos dados de treinamento. Então faremos a melhoria e 
fazemos o teste novamente.
Como sabemos quais parâmetros precisam ser ajustados, e 
por quanto? As redes neurais têm uma propriedade tão legal quan-
do para muitos tipos de treinamento você pode não só obter uma 
pontuação no teste, mas também calcular o quanto ele vai mudar 
em resposta a uma mudança em cada parâmetro. Matematicamen-
te falando, a estimativa é uma função de valor, e para a maioria 
dessas funções podemos facilmente calcular o gradiente desta fun-
ção em relação ao espaço do parâmetro.
Agora sabemos exatamente qual caminho ajustar os parâme-
tros para aumentar a pontuação, e você pode ajustar a rede em 
etapas sequenciais em todas as melhores e melhores “direções” até 
chegar ao ponto onde nada pode ser melhorado. Isso é muitas ve-
zes referido como escalar uma colina, como realmente parece se 
mover para cima de uma colina: se você constantemente subir, 
você vai acabar no topo.
10-9
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
A
P
LI
C
A
B
IL
ID
A
D
E 
E 
EX
EM
P
LO
S
 D
A
 I
N
TE
LI
G
ÊN
C
IA
 A
R
TI
FI
C
IA
L
10
Figura 10-4: Uso de parábola em IA para delimitação
Fonte: Próprio Autor
Graças a isso, é fácil melhorar a rede neural. Se sua rede tem 
uma boa estrutura, você não precisa começar do zero com novos 
dados. Você pode começar com os parâmetros existentes e rea-
prender com os novos dados. Sua rede vai melhorar gradualmente. 
Os mais proeminentes da IA atual – desde o reconhecimento de 
gatos do Facebookaté as tecnologias que a Amazon (provavel-
mente) usa em lojas sem vendedores – são construídos sobre este 
simples fato.
Esta é a chave para outra razão pela qual a GO se espalhou 
tão rapidamente e tão amplamente: escalar uma colina permite 
que você pegue uma rede neural treinada em uma tarefa e retreiná-
-la para realizar outra, mas semelhante. Se você treinou bem a IA 
para reconhecer gatos, esta rede pode ser usada para treinar uma 
IA para reconhecer cães ou girafas sem ter que começar do zero. 
Comece com IA para gatos, avalie-a pela qualidade do reconheci-
mento do cão e, em seguida, suba a colina, melhorando a rede!
10-10
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
A
P
LI
C
A
B
IL
ID
A
D
E 
E 
EX
EM
P
LO
S
 D
A
 I
N
TE
LI
G
ÊN
C
IA
 A
R
TI
FI
C
IA
L
10
Portanto, nos últimos 5/6 anos, houve uma melhoria dra-
mática nas capacidades da IA. Várias peças do quebra-cabeça se 
desenvolveram de forma sinérgica: a Internet gerou uma enorme 
quantidade de dados a partir do qual aprender. A computação, es-
pecialmente a computação paralela em GPUs, possibilitou proces-
sar esses conjuntos enormes. Finalmente, redes neurais profundas 
nos permitiram aproveitar esses kits e criar modelos ML incrivel-
mente poderosos.
E tudo isso significa que algumas coisas que antes eram ex-
tremamente difíceis são agora muito fáceis de fazer.
10�4 Reconhecimento Facial
Digamos que você queira treinar uma rede que reconheça 
não apenas rostos, mas um rosto específico. Você poderia treinar 
uma rede para reconhecer uma determinada pessoa, depois outra 
pessoa, e assim por diante. No entanto, leva tempo para treinar 
redes, e isso significaria que para cada nova pessoa seria necessário 
retreinar a rede. Nem por isso.
Em vez disso, podemos começar com uma rede treinada para 
reconhecer rostos em geral. Seus neurônios são sintonizados para 
reconhecer todas as estruturas faciais: olhos, ouvidos, bocas, e as-
sim por diante. Então você apenas muda a saída: em vez de forçá-la 
a reconhecer certos rostos, você ordena que ela dê uma descrição 
facial na forma de centenas de números descrevendo a curvatura 
do nariz ou a forma dos olhos, e assim por diante. A rede pode fazer 
isso porque já “sabe” de quais componentes uma pessoa é feita.
Você certamente não define tudo isso diretamente. Em vez 
disso, você treina a rede mostrando-a um conjunto de rostos e, 
em seguida, comparando a saída. Você também o treina para dar 
10-11
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
A
P
LI
C
A
B
IL
ID
A
D
E 
E 
EX
EM
P
LO
S
 D
A
 I
N
TE
LI
G
ÊN
C
IA
 A
R
TI
FI
C
IA
L
10
descrições semelhantes do mesmo rosto, e descrições muito dife-
rentes de rostos diferentes. Matematicamente falando, você treina 
a rede para combinar imagens faciais com pontos no espaço de ca-
racterísticas, onde a distância cartesiana entre os pontos pode ser 
usada para determinar sua semelhança. 
Figura 10-5: Exemplo simples de uma rede neural
Fonte: Próprio Autor
Agora você pode reconhecer rostos comparando as descri-
ções de cada um dos rostos criados pela rede neural. Tendo treina-
do a rede, você já pode reconhecer facilmente rostos. Pegue o rosto 
original e tenha uma descrição dele. Em seguida, você pega um 
novo rosto e compara a descrição dada pela rede com o seu origi-
nal. Se eles estão perto o suficiente, você diz que eles são a mesma 
pessoa. E agora você passou de uma rede capaz de reconhecer um 
único rosto para algo que pode ser usado para reconhecer qual-
quer rosto!
10-12
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
A
P
LI
C
A
B
IL
ID
A
D
E 
E 
EX
EM
P
LO
S
 D
A
 I
N
TE
LI
G
ÊN
C
IA
 A
R
TI
FI
C
IA
L
10
Essa flexibilidade estrutural é outra razão para a utilidade de 
redes neurais profundas. Uma enorme variedade de modelos de 
ML para visão computacional já foi desenvolvida, e embora eles 
estejam se desenvolvendo em direções muito diferentes, a estru-
tura básica de muitos deles é baseada em SNA precoce como Ale-
xnet e Resnet.
Até ouvi histórias de pessoas usando redes neurais visuais 
para trabalhar com dados de séries temporais ou medidas de sen-
sores. Em vez de criar uma rede especial para analisar o fluxo de 
dados, eles treinaram uma rede neural de código aberto projetada 
para a visão computacional para literalmente olhar para as formas 
das linhas de gráfico.
Tal flexibilidade é uma coisa boa, mas não infinita. Para 
resolver alguns outros problemas, você precisa usar outros tipos 
de redes.
10�5 Reconhecimento de Voz
A catalogação de imagens e a visão computacional não são as 
únicas áreas do ressurgimento da IA. Outra área em que os com-
putadores avançaram muito longe é o reconhecimento da fala, es-
pecialmente na tradução da fala para a escrita.
A ideia básica no reconhecimento da fala é bastante semelhante 
ao princípio da visão computacional: reconhecer coisas complexas 
na forma de conjuntos de mais simples. No caso da fala, o reconhe-
cimento de frases e frases é baseado no reconhecimento de pala-
vras, que se baseia no reconhecimento de sílabas, ou, para ser mais 
preciso, fonemes. Então, quando alguém diz “Bond, James Bond”, 
nós realmente ouvimos BON+DUH+JAY+MMS+BON+DUH.
10-13
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
A
P
LI
C
A
B
IL
ID
A
D
E 
E 
EX
EM
P
LO
S
 D
A
 I
N
TE
LI
G
ÊN
C
IA
 A
R
TI
FI
C
IA
L
10
Na visão, as características são organizadas espacialmente, e 
essa estrutura é processada pelo SNS. Na audição, essas caracte-
rísticas são organizadas a tempo. As pessoas podem falar rápido ou 
lentamente, sem um claro começo e fim da fala. Precisamos de um 
modelo que possa perceber sons como eles vêm, como uma pessoa, 
em vez de esperar e procurar frases completas neles. Não pode-
mos, como na física, dizer que o espaço e o tempo são os mesmos.
É muito fácil reconhecer sílabas individuais, mas é difícil 
isolá-las. Por exemplo, “Olá lá” pode soar como “inferno não eles 
são”... Assim, para qualquer sequência de sons, geralmente há vá-
rias combinações de sílabas realmente pronunciadas.
Para entender tudo isso, precisamos da capacidade de es-
tudar a sequência em um determinado contexto. Se eu ouvir um 
som, o que é mais provável é que a pessoa disse “Olá lá querida” 
ou “inferno não eles são veados?” Com um conjunto suficiente-
mente grande de amostras de palavras faladas, você pode apren-
der as frases mais prováveis. E quanto mais exemplos você tiver, 
melhor será.
Para isso, as pessoas usam redes neurais recorrentes, RNS. 
Na maioria dos tipos de redes neurais, como o SNS que lida com 
a visão computacional, as conexões entre os neurônios funcionam 
na mesma direção, da entrada à saída (matematicamente fa-
lando, estes são gráficos aciclálicos dirigidos). Na RNS, a 
saída dos neurônios pode ser redirecionada de volta para neurô-
nios do mesmo nível, para si mesmos, ou até mesmo mais. Isso 
permite que o RNS tenha sua própria memória (se você está 
familiarizado com a lógica binária, então essa situação é 
semelhante ao trabalho dos gatilhos).
O SNA trabalha em uma abordagem: nós alimentamos 
uma imagem, e ela dá algum tipo de descrição. A RNS mantém 
10-14
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
A
P
LI
C
A
B
IL
ID
A
D
E 
E 
EX
EM
P
LO
S
 D
A
 I
N
TE
LI
G
ÊN
C
IA
 A
R
TI
FI
C
IA
L
10
uma memória interna do que lhe foi dado antes e dá respostas ba-
seadas no que ela já viu, além do que ela vê agora.
Figura 10-6: Exemplo aquisição de parâmetros de voz
Fonte: Próprio Autor
Esta propriedade de memória na RNS permite que eles não 
só “ouçam” as sílabas que chegam a ela uma a uma. Isso permite 
que a rede aprenda quais sílabas se unem para formar uma palavra 
e quão prováveis certas sequências são.
Usando o RNS, é possível obter uma transcrição muito boa 
da fala humana – a tal ponto que, em algumas medições de preci-
são transcricional, os computadores agora podem superar os sereshumanos. Claro, os sons não são a única área onde as sequências 
se manifestam. Hoje, a RNS também é usada para determinar as 
sequências de movimentos para reconhecer ações em vídeo.
10-15
	� EXERCÍCIOS PROPOSTOS
01 Podemos definir Machine Learning como.
▢ -a) É uma maneira especial de criar inteligência de máquina. Di-
gamos que você queira lançar um foguete, e prever para onde 
ele vai.
▢ -b) É aprendizado de máquina que usa um certo tipo de modelo: 
redes neurais profundas.
▢ -c) Digamos que você queira treinar uma rede que reconheça não 
apenas rostos, mas um rosto específico. Você poderia treinar 
uma rede para reconhecer uma determinada pessoa, depois 
outra pessoa, e assim por diante.
▢ -d) A catalogação de imagens e a visão computacional não são as 
únicas áreas do ressurgimento da IA.
▢ -e) A ideia básica no reconhecimento da fala é bastante seme-
lhante ao princípio da visão computacional: reconhecer coi-
sas complexas na forma de conjuntos de mais simples.
02 Observe as afirmações abaixo:
I) Hoje, a abordagem ML é bem conhecida: em vez de tentar escrever to-
das as regras, você cria um sistema que pode derivar independentemente 
um conjunto de regras internas depois de estudar um grande número de 
exemplos.
II) Um sistema que aprende regras baseadas em dados por si só pode ser 
melhorado simplesmente adicionando dados. E se nossa espécie pode fazer 
algo muito bem, é gerar, armazenar e gerenciar dados.
III) O fluxo cada vez menor de dados é uma das razões para o baixo cresci-
mento explosivo dos algoritmos de ML nos últimos tempos. Outras razões 
estão relacionadas com o uso desses dados.
Estão CORRETAS:
▢ -a) I somente
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
10-16
▢ -b) I e III
▢ -c) III somente
▢ -d) II somente
▢ -e) I e II
03 Podemos definir Deep Learning como:
▢ -a) A ideia básica no reconhecimento da fala é bastante seme-
lhante ao princípio da visão computacional: reconhecer coi-
sas complexas na forma de conjuntos de mais simples.
▢ -b) É aprendizado de máquina que usa um certo tipo de modelo: 
redes neurais profundas.
▢ -c) É uma maneira especial de criar inteligência de máquina. Di-
gamos que você queira lançar um foguete, e prever para onde 
ele vai.
▢ -d) Digamos que você queira treinar uma rede que reconheça não 
apenas rostos, mas um rosto específico. Você poderia treinar 
uma rede para reconhecer uma determinada pessoa, depois 
outra pessoa, e assim por diante.
▢ -e) A catalogação de imagens e a visão computacional não são as 
únicas áreas do ressurgimento da IA.
04 São um tipo de modelo ML que usa uma estrutura semelhante a neurô-
nios no cérebro para cálculos e previsões, estamos falando de:
▢ -a) Memória
▢ -b) Camada
▢ -c) Redes neurais
▢ -d) Modelo
▢ -e) IA
05 Podemos conceituar memória de um modelo como:
▢ -a) São um tipo de modelo ML que usa uma estrutura semelhante 
a neurônios no cérebro para cálculos e previsões.
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
10-17
▢ -b) É uma maneira especial de criar inteligência de máquina. Di-
gamos que você queira lançar um foguete, e prever para onde 
ele vai.
▢ -c) É aprendizado de máquina que usa um certo tipo de modelo: 
redes neurais profundas.
▢ -d) É um conjunto de parâmetros numéricos que determinam 
como ele responde às perguntas que faz.
▢ -e) A ideia básica no reconhecimento da fala é bastante seme-
lhante ao princípio da visão computacional: reconhecer coi-
sas complexas na forma de conjuntos de mais simples.
06 Observe as afirmações abaixo:
I) O modelo camada por camada permite cálculos mais complexos. Uma 
rede simples com um pequeno número de camadas de neurônios é suficien-
te para reproduzir a linha ou parábola que usamos acima.
II) Redes neurais profundas são redes neurais com um grande número de 
camadas, com dezenas, ou até centenas; daí seu nome. Com tantas cama-
das, você pode criar modelos incrivelmente poderosos.
III) Nos últimos 5-6 anos, houve uma melhoria bem pequena nas capaci-
dades da IA.
Estão INCORRETAS:
▢ -a) III somente
▢ -b) I e III
▢ -c) II somente
▢ -d) I e II
▢ -e) I somente
07 Podemos definir Reconhecimento Facial como:
▢ -a) É um conjunto de parâmetros numéricos que determinam 
como ele responde às perguntas que faz.
▢ -b) É uma maneira especial de criar inteligência de máquina. Di-
gamos que você queira lançar um foguete, e prever para onde 
ele vai.
▢ -c) É aprendizado de máquina que usa um certo tipo de modelo: 
redes neurais profundas.
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
10-18
▢ -d) A catalogação de imagens e a visão computacional não são as 
únicas áreas do ressurgimento da IA.
▢ -e) Digamos que você queira treinar uma rede que reconheça não 
apenas rostos, mas um rosto específico. Você poderia treinar 
uma rede para reconhecer uma determinada pessoa, depois 
outra pessoa, e assim por diante. 
08 Observe as afirmações abaixo:
I) Uma enorme variedade de modelos de ML para visão computacional já foi 
desenvolvida, e embora eles estejam se desenvolvendo em direções muito 
diferentes, a estrutura básica de muitos deles é baseada em SNA precoce 
como Alexnet e Resnet.
II) A ideia básica no reconhecimento da fala é menos semelhante ao prin-
cípio da visão computacional: reconhecer coisas complexas na forma de 
conjuntos de mais simples.
III) Na maioria dos tipos de redes neurais, como o SNS que lida com a 
visão computacional, as conexões entre os neurônios funcionam na mesma 
direção, da entrada à saída (matematicamente falando, estes são gráficos 
aciclálicos dirigidos).
Estão CORRETAS:
▢ -a) I somente
▢ -b) I e III
▢ -c) II e III
▢ -d) II somente
▢ -e) III somente
09 Podemos definir Reconhecimento de Voz como:
▢ -a) A catalogação de imagens e a visão computacional não são as 
únicas áreas do ressurgimento da IA.
▢ -b) É um conjunto de parâmetros numéricos que determinam 
como ele responde às perguntas que faz.
▢ -c) É uma maneira especial de criar inteligência de máquina. Di-
gamos que você queira lançar um foguete, e prever para onde 
ele vai.
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
10-19
▢ -d) É aprendizado de máquina que usa um certo tipo de modelo: 
redes neurais profundas.
▢ -e) Digamos que você queira treinar uma rede que reconheça não 
apenas rostos, mas um rosto específico. Você poderia treinar 
uma rede para reconhecer uma determinada pessoa, depois 
outra pessoa, e assim por diante. 
10 A saída dos neurônios pode ser redirecionada de volta para neurônios do 
mesmo nível, para si mesmos, ou até mesmo mais. Estamos falando da:
▢ -a) SNS
▢ -b) IA
▢ -c) RNS
▢ -d) SNA
▢ -e) GPUs
DISCIPLINA:
Arquiteturas Disruptivas, 
IOT, Big Data e 
Inteligência Artificial
UNIDADE 6: 
GERENCIAMENTO DE 
ESTRUTURAS TECNOLÓGICAS
Caro(a) Aluno(a)
Seja bem-vindo(a)!
Nesta sexta unidade, daremos orientações sobre como construir uma 
estrutura que incluam as tecnologias de Data Science, Big Data e 
Inteligência Artificial.
Conteúdos da Unidade
Neste capítulo, iremos abordar sobre como construir e gerir uma 
arquitetura utilizável que incluam as principais tecnologias abordadas 
nesta obra. Essa arquitetura deve incluir recursos físicos, humanos e 
lógicos, como veremos.
 9 Gerenciamento de Uma Estrutura de Data Science e Big Data;
 9 Gerenciamento de Uma Estrutura de Inteligência Artificial.
Acompanhe os conteúdos desta unidade. Se preferir, vá assinalando os 
assuntos, à medida que for estudando.
Bons estudos!!!
DISCIPLINA:
Arquiteturas Disruptivas, 
IOT, Big Data e 
Inteligência Artificial
CAPÍTULO 11: 
GERENCIAMENTO DE UMA ESTRUTURA 
DE DATA SCIENCE E BIG DATA
11-3
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
G
ER
EN
C
IA
M
EN
TO
 D
E 
U
M
A
 E
S
TR
U
TU
R
A
 D
E 
D
AT
A
 S
C
IE
N
C
E 
E 
B
IG
 D
AT
A
11
11�1 FUNDAMENTOS
As equipes de ciência de dados geralmente incluem vários 
profissionais de análise e dados e podem ser configuradas de dife-
rentes maneiras, como explicado aqui, juntamente com dicas so-
bre como gerenciá-los.
As organizações veem cada vez mais os dadoscomo um ativo 
valioso que os ajudará a ter sucesso agora e no futuro. Em uma 
pesquisa de 2019 com profissionais de BI e analytics, 94% dos 500 
entrevistados citaram dados e análises como contribuintes muito 
importantes ou um tanto importantes para o crescimento dos ne-
gócios e estratégias de transformação digital em suas organizações.
A pesquisa, realizada para o fornecedor de software de BI 
MicroStrategy e detalhada em um relatório intitulado “2020 Glo-
bal State of Enterprise Analytics”, também descobriu que 59% 
dessas organizações estavam avançando em aplicações avançadas 
e preditivas de análise -- o reino da ciência de dados. Isso foi sete 
pontos percentuais acima de uma pesquisa semelhante feita um 
ano antes.
Os pesquisadores listaram as preocupações de segurança e 
privacidade como a barreira nº 1 para o uso mais eficaz de dados e 
análises, mas outros desafios principais incluíam acesso limitado a 
dados siloed, falta de talento qualificado, treinamento insuficiente 
de funcionários e ausência de uma estratégia de análise. Para aju-
dar a transformar dados em informações acionáveis, mais e mais 
organizações estão criando equipes de ciência de dados para lide-
rar seus esforços em áreas como mineração de dados, modelagem 
preditiva, machine learning e IA.
Vejamos as melhores práticas para estruturar e gerenciar 
uma equipe de ciência de dados, incluindo as diferentes maneiras 
11-4
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
G
ER
EN
C
IA
M
EN
TO
 D
E 
U
M
A
 E
S
TR
U
TU
R
A
 D
E 
D
AT
A
 S
C
IE
N
C
E 
E 
B
IG
 D
AT
A
11
que se pode configurar, as posições que provavelmente incluirá e 
os executivos que uma equipe pode reportar em uma organização.
11�2 Diferentes modelos para estruturar 
uma equipe de ciência de dados
“Até certo ponto, construir e manter uma forte equipe de 
ciência de dados é uma arte”, disse John Bottega, presidente do 
EDM Council, uma associação global que se concentra em melho-
res práticas, padrões e treinamento de gerenciamento de dados.
As responsabilidades pela coleta, gerenciamento e análise 
de dados, uma vez tipicamente, caíram sob o CIO, cuja equipe de 
TI trabalhou com usuários de negócios para implementar data 
warehouses e sistemas de BI para armazenar e organizar dados 
e fazer análises e relatórios básicos. No entanto, nas últimas duas 
décadas, mais organizações separaram a função de dados em seu 
próprio departamento à medida que a quantidade de armazena-
mentos de dados internos crescia, as tecnologias de suporte evolu-
íram e as tarefas relacionadas aos dados se tornaram mais diferen-
ciadas e especializadas.
A crescente importância das análises avançadas para o suces-
so dos negócios também impulsionou a necessidade de uma equipe 
de ciência de dados com cientistas de dados qualificados e outros 
trabalhadores. Hoje, muitas organizações têm uma equipe ou um 
departamento inteiro de ciência de dados; os maiores podem ter 
várias equipes que operam de forma independente ou coordenada.
A forma como as empresas estruturam suas equipes varia de 
acordo com a maturidade de seu programa de ciência de dados, bem 
como seus objetivos de análise de dados, estrutura organizacional 
geral e cultura empresarial. No entanto, surgiram alguns modelos 
11-5
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
G
ER
EN
C
IA
M
EN
TO
 D
E 
U
M
A
 E
S
TR
U
TU
R
A
 D
E 
D
AT
A
 S
C
IE
N
C
E 
E 
B
IG
 D
AT
A
11
comuns na estrutura da equipe de ciência de dados, com cada um 
tendo prós e contras. As estruturas da equipe podem ser:
 9 Descentralizado: Os membros da equipe de ciência de 
dados trabalham dentro das unidades de negócios indivi-
duais que apoiam. Isso permite que os membros da equi-
pe colaborem estreitamente com executivos de negócios e 
trabalhadores em projetos de ciência de dados, mas pode 
dificultar o uso estratégico de dados em uma organização 
e exigir mais recursos do que empresas menores podem 
ter disponível.
 9 Centralizado: A função de ciência de dados é consolida-
da no nível corporativo sob um único gestor, que atribui 
os membros da equipe a projetos individuais e supervi-
siona seu trabalho. Este modelo permite mais facilmente 
uma visão estratégica em toda a empresa e implementa-
ção uniforme de práticas recomendadas de análise, mas 
pode limitar a capacidade dos membros da equipe de se 
tornarem especialistas em uma determinada área do ne-
gócio. Algumas organizações estabelecem um centro for-
mal de ciência de dados de excelência para abrigar uma 
equipe centralizada.
 9 Híbrido: A equipe de ciência de dados é gerenciada cen-
tralmente, mas os membros são designados para traba-
lhar com operações específicas de negócios e são respon-
sáveis por ajudar essas unidades a alcançar seus objetivos 
para tomar decisões baseadas em dados. Nas estruturas 
híbridas, um centro de excelência também pode se con-
centrar na promoção das melhores práticas e padrões de 
ciência de dados. Assim como no modelo descentralizado, 
as restrições de recursos podem ser um problema.
11-6
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
G
ER
EN
C
IA
M
EN
TO
 D
E 
U
M
A
 E
S
TR
U
TU
R
A
 D
E 
D
AT
A
 S
C
IE
N
C
E 
E 
B
IG
 D
AT
A
11
11�3 Funções e responsabilidades da 
equipe de ciência de dados
Existem alguns elementos comuns que uma equipe de ciên-
cia de dados deve ter que ser bem sucedida.
“Independentemente da indústria, as equipes de ciência de 
dados precisam ser fortes em três áreas centrais: matemática, 
tecnologia e perspicácia nos negócios”, disse Bottega. Encontrar 
uma única pessoa que se destaque nos três é muito raro. Muitas 
empresas terão alguém que é fluente em dois de três e, em seguida, 
o resto da equipe pode ser construída em torno disso, preenchendo 
as lacunas para garantir que a equipe como um todo seja forte em 
todos os três.
Pequenas organizações ou aquelas com necessidades de aná-
lise limitada ou iniciativas de ciência de dados em estágio inicial 
podem ter um generalista lidando com todas as tarefas necessá-
rias. Entidades maiores, bem como aquelas com programas mais 
maduros, normalmente incluem alguma combinação dos seguin-
tes papéis em suas equipes de ciência de dados.
 ● Cientista de dados: Como o título indica, os cientistas 
de dados são os membros principais de uma equipe. Eles 
usam métodos estatísticos, algoritmos de aprendizagem 
de máquina e outras ferramentas para analisar dados e 
criar modelos preditivos; alguns também constroem pro-
dutos de dados, mecanismos de recomendação, chatbots 
e outras tecnologias para vários casos de uso. Os cientistas 
de dados normalmente têm uma variedade de habilidades 
em áreas como matemática, estatística, disputa de dados, 
mineração de dados, codificação e modelagem preditiva, 
bem como conhecimento de negócios e habilidades de 
11-7
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
G
ER
EN
C
IA
M
EN
TO
 D
E 
U
M
A
 E
S
TR
U
TU
R
A
 D
E 
D
AT
A
 S
C
IE
N
C
E 
E 
B
IG
 D
AT
A
11
comunicação e colaboração. Cada vez mais, eles também 
têm diplomas avançados de ciência de dados ou certifica-
ções de ciência de dados de nível de pós-graduação.
 ● Analista de dados: Um analista de dados não tem todo 
o conjunto de habilidades de um cientista de dados, mas 
pode apoiar os esforços de ciência de dados. As principais 
responsabilidades dos analistas de dados são coletar e 
manter dados de sistemas operacionais e bancos de da-
dos, usar métodos estatísticos e ferramentas de análise 
para interpretar os dados e preparar dashboards e relató-
rios para usuários de negócios.
 ● Engenheiro de dados: Os engenheiros de dados são 
responsáveis pela construção, teste e manutenção de pi-
pelines de dados; eles geralmente têm uma formação em 
engenharia de software ou ciência da computação que se 
adequa ao seu foco na infraestrutura tecnológica e cole-
ta de dados, gerenciamento e armazenamento. Eles tam-
bém frequentementetrabalham em estreita colaboração 
com cientistas de dados sobre qualidade de dados, pre-
paração de dados e tarefas de implantação e manutenção 
de modelos.
 ● Arquiteto de dados: Um arquiteto de dados projeta e 
supervisiona a implementação dos sistemas subjacentes 
e infraestrutura de dados que a equipe usa. Em alguns 
casos, um engenheiro de dados também pode lidar com 
essa função.
 ● Engenheiro de aprendizagem de máquina: Tam-
bém às vezes chamada de engenheira de IA, essa posição 
trabalha em conjunto com cientistas de dados para criar, 
implantar e manter os algoritmos e modelos necessários 
para aprendizado de máquina e iniciativas de IA.
11-8
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
G
ER
EN
C
IA
M
EN
TO
 D
E 
U
M
A
 E
S
TR
U
TU
R
A
 D
E 
D
AT
A
 S
C
IE
N
C
E 
E 
B
IG
 D
AT
A
11
Em algumas organizações, as equipes de ciência de dados 
também podem incluir essas posições.
 ● Cientista de dados cidadão: Um papel informal, isso 
pode envolver analistas de negócios, usuários de energia 
de unidades de negócios e outros funcionários que são ca-
pazes de fazer seu próprio trabalho de análise de dados. 
Os cientistas de dados cidadãos geralmente têm interesse, 
perspicácia ou algum treinamento em análises avançadas, 
embora as tecnologias que eles usam - por exemplo, ferra-
mentas automatizadas de aprendizado de máquina - nor-
malmente requerem pouca ou nenhuma codificação. Eles 
geralmente trabalham fora de uma equipe de ciência de 
dados, mas podem ser incorporados em aqueles que estão 
incorporados em unidades de negócios.
 ● Analista de negócios: Em alguns casos, os analistas de 
negócios podem ser membros de uma equipe de ciência de 
dados em seu papel regular, que inclui avaliar processos 
de negócios e traduzir requisitos de negócios em planos 
de análise -- áreas nas quais eles podem ajudar a apoiar o 
trabalho de cientistas de dados.
 ● Tradutor de dados: Uma nova adição à lista, esses pro-
fissionais - também conhecidos como tradutores de análi-
se - atuam como uma ligação entre equipes de ciência de 
dados e operações de negócios e ajudam a planejar proje-
tos e traduzem os insights obtidos da análise de dados em 
ações recomendadas de negócios.
 ● Desenvolvedor ou engenheiro de visualização de 
dados: Eles são encarregados de criar visualizações de 
dados para tornar as informações mais acessíveis e com-
preensíveis para os profissionais de negócios. No entanto, 
11-9
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
G
ER
EN
C
IA
M
EN
TO
 D
E 
U
M
A
 E
S
TR
U
TU
R
A
 D
E 
D
AT
A
 S
C
IE
N
C
E 
E 
B
IG
 D
AT
A
11
cientistas de dados e analistas de dados podem lidar com 
esse papel em algumas equipes. 
11�4 Quem gerencia e supervisiona 
equipes de ciência de dados?
Uma equipe pode ser liderada por um diretor de ciência de 
dados, gerente de ciência de dados, cientista de dados líder ou po-
sição gerencial semelhante. A estrutura de relatórios para equipes 
da mesma forma varia. Geralmente, porém, as organizações atri-
buem um executivo de nível C ou um gerente funcional de alto es-
calão para supervisionar a equipe de ciência de dados.
O líder de ciência de dados mais visível é o chefe de dados. 
A posição da CDO remonta a 2002, com a empresa de serviços 
financeiros Capital One amplamente reconhecida como a primei-
ra empresa a implementar o papel. Muitos outros já seguiram o 
exemplo: a consultoria de dados e análises NewVantage Partners 
informou que 65% das 85 grandes empresas pesquisadas em 2020 
tinham CDOs, contra 12% quando fez a pesquisa anual pela pri-
meira vez em 2012. Inicialmente focados principalmente em fun-
ções de governança de dados, gerenciamento e segurança, muitos 
CDOs agora também assumiram a responsabilidade pela ciência 
de dados, análise e IA.
Outras organizações criaram um papel de chief analytics of-
ficer (CAO) para supervisionar suas equipes de ciência de dados e 
análise, enquanto algumas combinaram as posições CDO e CAO 
em um único oficial chefe de dados e análise. Além disso, o chefe 
de uma equipe de ciência de dados pode reportar a um executivo 
diferente - por exemplo, o COO, CFO ou CIO, ou um cargo como 
11-10
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
G
ER
EN
C
IA
M
EN
TO
 D
E 
U
M
A
 E
S
TR
U
TU
R
A
 D
E 
D
AT
A
 S
C
IE
N
C
E 
E 
B
IG
 D
AT
A
11
vice-presidente de análise, vice-presidente de dados de negócios 
ou diretor de dados e estratégia. 
11�5 Como os cientistas de dados trabalham 
com usuários de negócios
Organizações de todos os tipos estão se esforçando para se 
tornar baseadas em dados, e com uma boa razão: muitos veem isso 
como uma chave para se manterem competitivos na era digital. 
Para isso, as equipes de ciência de dados devem trabalhar de forma 
colaborativa com os gestores de negócios para:
1) Entenda claramente as perguntas de negócios que eles 
querem que a equipe responda.
2) Articular os objetivos que eles têm para usar as informa-
ções que fornece.
3) Mapeie como aplicar as informações para tomar decisões 
e tomar ações.
“Os cientistas de dados precisam trabalhar em estreita co-
laboração com a unidade de negócios para entender como os da-
dos fornecidos ajudam a impulsionar o negócio e entender exata-
mente o que [os usuários de negócios] precisam dos dados”, disse 
Josh Drew, vice-presidente regional da Robert Half Technology e 
do Creative Group, duas unidades da empresa de pessoal Robert 
Half International Inc.
Uma vez que eles têm esse entendimento, as equipes de ci-
ência de dados não podem simplesmente apresentar suas desco-
bertas. Eles devem ajudar seus colegas de negócios a entender os 
insights obtidos com os dados e como essas informações podem 
moldar ofertas de produtos e serviços, campanhas de marketing, 
11-11
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
G
ER
EN
C
IA
M
EN
TO
 D
E 
U
M
A
 E
S
TR
U
TU
R
A
 D
E 
D
AT
A
 S
C
IE
N
C
E 
E 
B
IG
 D
AT
A
11
gerenciamento da cadeia de suprimentos e outras partes funda-
mentais das operações de negócios para apoiar metas corporati-
vas, como maior receita, maior eficiência e melhor atendimento 
ao cliente.
11�6 Ferramentas que uma equipe de 
ciência de dados precisa
Dezenas de ferramentas, que vão desde a visualização de 
dados e software de emissão de relatórios até análises avançadas, 
aprendizado de máquina e tecnologias de IA, permitem o trabalho 
que as equipes de ciência de dados fazem. O número e a combina-
ção de tecnologias necessárias são exclusivos de cada equipe, com 
base em seus objetivos e níveis de habilidade.
A seguir está uma lista de ferramentas de ciência de dados 
comumente usadas que inclui tecnologias comerciais e de có-
digo aberto:
 ● Ferramentas de análise estatística, como SAS e 
IBM SPSS;
 ● Estruturas de aprendizado de máquina e bibliotecas, in-
cluindo TensorFlow, Weka, Scikit-learn, Keras e PyTorch;
 ● Plataformas de ciência de dados de vários fornecedores 
que fornecem diversos conjuntos de recursos para aná-
lises, aprendizado de máquina automatizado e gerencia-
mento e colaboração de fluxo de trabalho;
 ● Linguagens de programação, em particular Python, R, Ju-
lia, SQL, Scala e Java;
 ● O Jupyter Notebook e outros aplicativos interativos de 
notebook para compartilhamento de documentos que 
11-12
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
G
ER
EN
C
IA
M
EN
TO
 D
E 
U
M
A
 E
S
TR
U
TU
R
A
 D
E 
D
AT
A
 S
C
IE
N
C
E 
E 
B
IG
 D
AT
A
11
contenham códigos, equações, comentários e informa-
ções relacionadas;
 ● Ferramentas de visualização de dados e bibliotecas, como 
Tableau, D3.js e Matplotlib;
 ● Spark, Hadoop e outras plataformas de big data e meca-
nismos de análise, bem como serviços de armazenamento 
de objetos em nuvem e bancos de dados NoSQL; e
 ● O serviço de orquestração de contêineres Kubernetes para 
a implantação de cargas de trabalho de análise e aprendi-
zado demáquina na nuvem. 
11�7 Melhores práticas para gerenciar 
uma equipe de ciência de dados
Executivos e líderes de equipe que buscam construir e ama-
durecer seus programas de ciência de dados devem considerar as 
seguintes melhores práticas para gerenciar suas equipes.
 9 Procure trabalhadores com uma gama de habilidades 
comerciais e interpessoais, além das técnicas para aju-
dar a garantir que a equipe possa atender aos objeti-
vos organizacionais.
 9 Crie uma cultura de aprendizado e inovação que desafie 
os membros da equipe e os incentive a trazer um novo 
pensamento para problemas e problemas de negócios.
 9 Promover projetos de análise que incentivem a estreita 
colaboração entre a equipe de ciência de dados e as uni-
dades de negócios que eles apoiam.
 9 Avaliar os membros da equipe, pelo menos em parte, so-
bre os sucessos do negócio seus impulsos de trabalho.
11-13
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
G
ER
EN
C
IA
M
EN
TO
 D
E 
U
M
A
 E
S
TR
U
TU
R
A
 D
E 
D
AT
A
 S
C
IE
N
C
E 
E 
B
IG
 D
AT
A
11
 9 Desenvolva um programa de mentoria para ajudar a 
avançar as habilidades dos membros da equipe júnior e 
faça treinamento contínuo para garantir que todos os tra-
balhadores permaneçam atualizados sobre as principais 
técnicas e tecnologias de ciência de dados.
 9 Como os cientistas de dados estão em alta demanda e os 
experientes têm muitas oportunidades de trabalho, proje-
tar um programa de gerenciamento de talentos para aju-
dar a impedir que eles e outros membros da equipe saiam.
11-14
	� EXERCÍCIOS PROPOSTOS
01 Observe as afirmações abaixo:
I) As organizações veem cada vez mais os dados como um ativo valioso que 
os ajudará a ter sucesso agora e no futuro.
II) Em uma pesquisa de 2019 com profissionais de BI e analytics, 94% 
dos 500 entrevistados citaram dados e análises como contribuintes muito 
importantes ou um tanto importantes para o crescimento dos negócios e 
estratégias de transformação digital em suas organizações.
III) A pesquisa, realizada para o fornecedor de software de BI MicroStrate-
gy e detalhada em um relatório intitulado “2020 Global State of Enterprise 
Analytics”, também descobriu que 50% dessas organizações estavam avan-
çando em aplicações avançadas e preditivas de análise -- o reino da ciência 
de dados.
Estão CORRETAS:
▢ -a) I somente
▢ -b) I e II
▢ -c) II somente
▢ -d) II e III
▢ -e) III somente
02 Até certo ponto, construir e manter uma forte equipe de ciência de dados 
é uma arte”, disse John Bottega, presidente do EDM Council, uma as-
sociação global que se concentra em melhores práticas, padrões e trei-
namento de gerenciamento de dados. As responsabilidades pela coleta, 
gerenciamento e análise de dados, uma vez tipicamente, caíram sob: 
▢ -a) CIO
▢ -b) TI
▢ -c) BI
▢ -d) Siloed
▢ -e) IA
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
11-15
03 Observe as afirmações abaixo:
I) Nas últimas duas décadas, mais organizações separaram a função de 
dados em seu próprio departamento à medida que a quantidade de arma-
zenamentos de dados internos não crescia, as tecnologias de suporte não 
evoluíram e as tarefas relacionadas aos dados se tornaram mais diferencia-
das e especializadas.
II) A crescente importância das análises avançadas para o sucesso dos ne-
gócios também impulsionou a necessidade de uma equipe de ciência de 
dados com cientistas de dados qualificados e outros trabalhadores.
III) A forma como as empresas estruturam suas equipes varia de acordo com 
a maturidade de seu programa de ciência de dados, bem como seus objetivos 
de análise de dados, estrutura organizacional geral e cultura empresarial.
Estão INCORRETAS:
▢ -a) I e II
▢ -b) III
▢ -c) II Somente
▢ -d) II e III
▢ -e) I somente
04 A equipe de ciência de dados é gerenciada centralmente, mas os mem-
bros são designados para trabalhar com operações específicas de ne-
gócios e são responsáveis por ajudar essas unidades a alcançar seus 
objetivos para tomar decisões baseadas em dados. Estamos falando da 
estrutura da equipe: 
▢ -a) Descentralizado.
▢ -b) Centralizado
▢ -c) Analista de dados
▢ -d) Híbrido
▢ -e) Arquiteto de dados
05 Observe as afirmações abaixo:
I) Independentemente da indústria, as equipes de ciência de dados preci-
sam ser fortes em três áreas centrais: matemática, tecnologia e perspicácia 
nos negócios”, disse Bottega.
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
11-16
II) Pequenas organizações ou aquelas com necessidades de análise limitada 
ou iniciativas de ciência de dados em estágio inicial podem não ter um gene-
ralista lidando com todas as tarefas necessárias.
III) Entidades maiores, bem como aquelas com programas mais maduros, 
normalmente incluem alguma combinação de papéis em suas equipes de 
ciência de dados.
Estão CORRETAS:
▢ -a) I e II
▢ -b) II somente
▢ -c) I e III
▢ -d) III somente
▢ -e) I somente
06 Podemos definir Engenheiro de dados como:
▢ -a) São responsáveis pela construção, teste e manutenção de pi-
pelines de dados; eles geralmente têm uma formação em en-
genharia de software ou ciência da computação que se adequa 
ao seu foco na infraestrutura tecnológica e coleta de dados, 
gerenciamento e armazenamento.
▢ -b) São os membros principais de uma equipe. Eles usam méto-
dos estatísticos, algoritmos de aprendizagem de máquina e 
outras ferramentas para analisar dados e criar modelos pre-
ditivos; alguns também constroem produtos de dados, meca-
nismos de recomendação, chatbots e outras tecnologias para 
vários casos de uso.
▢ -c) Projeta e supervisiona a implementação dos sistemas subjacen-
tes e infraestrutura de dados que a equipe usa. Em alguns casos, 
um engenheiro de dados também pode lidar com essa função.
▢ -d) Não tem todo o conjunto de habilidades de um cientista de 
dados, mas pode apoiar os esforços de ciência de dados.
▢ -e) Também às vezes chamada de engenheira de IA, essa posição 
trabalha em conjunto com cientistas de dados para criar, im-
plantar e manter os algoritmos e modelos necessários para 
aprendizado de máquina e iniciativas de IA.
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
11-17
07 Atuam como uma ligação entre equipes de ciência de dados e operações de 
negócios e ajudam a planejar projetos e traduzem os insights obtidos da aná-
lise de dados em ações recomendadas de negócios. Estamos no referindo a:
▢ -a) Cientista de dados cidadão
▢ -b) Analista de negócios
▢ -c) Desenvolvedor ou engenheiro de visualização de dados
▢ -d) Arquiteto de dados
▢ -e) Tradutor de dados
08 Inicialmente focados principalmente em funções de governança de dados, 
gerenciamento e segurança, muitos agora também assumiram a responsa-
bilidade pela ciência de dados, análise e IA. Estamos no referindo a:
▢ -a) CDOs
▢ -b) CAO
▢ -c) CFO
▢ -d) COO
▢ -e) CIO
09 Organizações de todos os tipos estão se esforçando para se tornar baseadas 
em dados, e com uma boa razão: muitos veem isso como uma chave para se 
manterem competitivos na era digital. Para isso, as equipes de ciência de da-
dos devem trabalhar de forma colaborativa com os gestores de negócios para:
▢ -a) Ferramentas de análise estatística, como SAS e IBM SPSS;
▢ -b) Articular os objetivos que eles têm para usar as informações 
que fornece.
▢ -c) Estruturas de aprendizado de máquina e bibliotecas, incluin-
do TensorFlow, Weka, Scikit-learn, Keras e PyTorch;
▢ -d) Plataformas de ciência de dados de vários fornecedores 
que fornecem diversos conjuntos de recursos para análises, 
aprendizado de máquina automatizado e gerenciamento e co-
laboração de fluxo de trabalho;
▢ -e) O serviço de orquestração de contêineres Kubernetes para a 
implantação de cargas de trabalho de análise e aprendizado 
de máquina na nuvem. 
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
11-18
10 Executivos e líderes de equipe que buscam construir e amadurecer seus 
programas de ciência de dados devem considerar as seguintes melhores 
práticas para gerenciar suas equipes:
▢ -a) Procure trabalhadores com uma gama de habilidades comer-
ciais e interpessoais,além das técnicas para ajudar a garantir 
que a equipe possa atender aos objetivos organizacionais.
▢ -b) Entenda claramente as perguntas de negócios que eles que-
rem que a equipe responda.
▢ -c) Articular os objetivos que eles têm para usar as informações 
que fornece.
▢ -d) Mapeie como aplicar as informações para tomar decisões e 
tomar ações.
▢ -e) Estruturas de aprendizado de máquina e bibliotecas, incluin-
do TensorFlow, Weka, Scikit-learn, Keras e PyTorch;
DISCIPLINA:
Arquiteturas Disruptivas, 
IOT, Big Data e 
Inteligência Artificial
CAPÍTULO 12: 
GERENCIAMENTO DE UMA ESTRUTURA 
DE INTELIGÊNCIA ARTIFICIAL
12-2
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
G
ER
EN
C
IA
M
EN
TO
 D
E 
U
M
A
 E
S
TR
U
TU
R
A
 D
E 
IN
TE
LI
G
ÊN
C
IA
 A
R
TI
FI
C
IA
L
12
12�1 FUNDAMENTOS
Criar uma estrutura de equipe de inicialização de IA é exi-
gente em termos de tempo e recursos necessários para a constru-
ção de uma equipe. Este post cobrirá 10 dicas principais sobre a 
formação da equipe de startups.
A inteligência artificial é uma força para as empresas conta-
rem. Tem potencial suficiente para remodelar a forma como as em-
presas abordam fluxos de trabalho diários e gerenciam projetos. 
Quanto às aplicações de IA voltadas para o consumidor, todas as 
indústrias existentes serão introduzidas em breve em projetos que 
envolvem uma ou mais aplicações de inteligência artificial.
Como resultado do crescimento da IA, as empresas devem co-
meçar a aceitar a tecnologia e integrá-la como parte da organização.
De acordo com a Harvard Business Review, adotar a tecno-
logia de forma inferior é ineficiente e improdutivo. Em vez de dei-
xar a integração de IA para os funcionários, CEOs e gerentes de 
negócios devem assumir a liderança para incorporar a adoção de 
inteligência artificial.
12�2 Definição e recrutamento de uma equipe
Contratar qualquer especialista em tecnologia é um desafio 
nos dias de hoje. As taxas de desemprego em todo o mundo estão 
atingindo o fundo do poço. Os cidadãos americanos, por exem-
plo, não estão tão ocupados no trabalho desde 1969, de acordo 
com a BBC.
Encontrar o candidato certo em um campo tão raro e caro 
quanto a inteligência artificial não é uma tarefa fácil para CEOs e 
12-3
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
G
ER
EN
C
IA
M
EN
TO
 D
E 
U
M
A
 E
S
TR
U
TU
R
A
 D
E 
IN
TE
LI
G
ÊN
C
IA
 A
R
TI
FI
C
IA
L
12
gestores de RH. O pool de talentos é bastante estreito, e os lances 
estão no teto.
Nestas circunstâncias, a criatividade é a chave para recrutar 
especialistas em IA. Diretores de RH e proprietários de empresas 
agora são forçados a considerar meios alternativos de recrutamento.
Aqui estão alguns destes:
12.2.1 Mercados autônomos
Nos últimos 10 anos, o domínio da economia independente 
tornou-se evidente em qualquer indústria. No entanto, foi na tec-
nologia que brilhou o mais brilhante. De acordo com o Fórum Eco-
nômico Mundial, até 2027, espera-se que a economia autônoma 
empregue mais de 50% da população americana.
Para estar um passo à frente do mercado de trabalho, os re-
crutadores de equipes de IA devem aproveitar as tendências emer-
gentes. Em vez de tentar irremediavelmente preencher uma aber-
tura interna, ir para mercados autônomos pode ser um movimento 
ganha-ganha.
Os mercados freelancers mais populares incluem:
 9 Codementor X;
 9 Upwork Pro;
 9 TopTal;
 9 Equipe X.
12.2.2 Programas de referência
O uso de programas de referência é uma estratégia de go-to 
quando se trata de fechar uma vaga de emprego desafiadora. Caso 
12-4
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
G
ER
EN
C
IA
M
EN
TO
 D
E 
U
M
A
 E
S
TR
U
TU
R
A
 D
E 
IN
TE
LI
G
ÊN
C
IA
 A
R
TI
FI
C
IA
L
12
uma empresa não tenha dinheiro suficiente para fazer campanhas 
publicitárias, é hora de perguntar em torno da equipe.
De acordo com o LinkedIn, os programas de referência tor-
naram-se a maneira mais popular para os candidatos a emprego 
descobrirem sobre novas vagas. Acontece, de fato, que as empresas 
podem expandir o pool de talentos em 10 vezes, iniciando um pro-
grama de referência corporativa.
12.2.3 Encontros tecnológicos locais
A IA é uma indústria em rápido desenvolvimento — os ge-
rentes de recrutamento devem tirar proveito disso. Há dezenas de 
conferências em todo o mundo que visam empurrar o envelope do 
desenvolvimento de IA.
Simplesmente participar de encontros relacionados à IA me-
lhorará a imagem corporativa da sua empresa — você será vista 
como inovadora e disruptiva. Entre em contato com os anfitriões 
do evento — as chances são de que eles espalhem a notícia sobre 
sua oferta. Afinal, os encontros de tecnologia geralmente são as-
sistidos por candidatos ativos a emprego — um gerente de eventos 
provavelmente ficará feliz em ter recrutadores e gerentes de RH se 
juntando à comunidade também.
12.2.4 Empresas terceirizadas
Ter uma nova equipe interna, totalmente dedicada aos proje-
tos da empresa é altamente atraente. No entanto, você realmente 
precisa de uma multidão de especialistas em IA que precisa ser 
sustentada e paga?
12-5
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
G
ER
EN
C
IA
M
EN
TO
 D
E 
U
M
A
 E
S
TR
U
TU
R
A
 D
E 
IN
TE
LI
G
ÊN
C
IA
 A
R
TI
FI
C
IA
L
12
Para projetos pontuais, é melhor encontrar uma equipe para 
startups de IA que já esteja bem lubrificada. Embora a contratação 
de uma empresa local possa exceder seu orçamento tremendamen-
te, chegar à empresa de terceirização pode ser um ajuste melhor.
Na Índia, por exemplo, um desenvolvedor médio de IA ga-
nha cerca de US$ 18.700 por ano. Para uma agência americana, 
isso nem seria o salário de um júnior.
Ao mesmo tempo em que chegar às empresas terceirizadas 
vem com suas próprias desvantagens — a ausência de controle to-
tal sobre o projeto, fusos horários e barreiras linguísticas — tam-
bém expande seu pool de talentos de IA.
12.2.5 Mídias sociais
O uso das mídias sociais é uma maneira de estabelecer uma 
conexão mais profunda com especialistas em IA. Tenha em mente 
que um bom candidato a emprego na indústria de IA está acostu-
mado a ofertas — é por isso que formar um vínculo profundo com 
um candidato é extremamente importante.
Compartilhar posts, fotos e vídeos dos momentos mais me-
moráveis do cotidiano de uma equipe é uma boa maneira de “mos-
trar, não dizer” que sua oferta vale a pena explorar.
Se você está indo com plataformas como o Twitter, acom-
panhar as notícias relacionadas à IA no setor é uma boa manei-
ra de criar uma imagem de um hub inovador entre os que bus-
cam emprego.
12-6
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
G
ER
EN
C
IA
M
EN
TO
 D
E 
U
M
A
 E
S
TR
U
TU
R
A
 D
E 
IN
TE
LI
G
ÊN
C
IA
 A
R
TI
FI
C
IA
L
12
12�3 Definição de uma cultura corporativa
Embora a falta de habilidade ou experiência seja o motivo 
mais popular para a rotatividade de funcionários, estatisticamente, 
também é o fato de que o candidato simplesmente não é adequado 
para a cultura corporativa da empresa. Tenha em mente que os 
desenvolvedores de IA viram uma parcela justa de empresas que 
buscam inteligência artificial como uma tendência para o direito 
de ser chamado de inovador.
Se você realmente tem um projeto ambicioso que envolve in-
teligência artificial, certifique-se de que a cultura corporativa do 
negócio reflita seu impulso inovador pessoal. Existem três com-
ponentes principais de uma forte cultura corporativa:
 9 Valores de construção: Dependendo do nicho da 
empresa, os valores corporativos podem diferir. Vários 
exemplos comuns incluem transparência, franqueza, co-
munidade, compreensão e visão geral. Se nenhum dos 
acima ressoar com o seu negócio, crie sua própria lista.
 9 Definindo metas: Embora a maioria das empresas se 
concentre em metas de definição de receita, é melhor le-
var em conta várias planícies — sustentabilidade financei-ra, o impacto que sua empresa tem em cada membro da 
equipe, missão social e assim por diante. Tenha em mente 
que os objetivos de longo prazo são a parte principal da 
cultura de uma empresa de sucesso — não hesite em criar 
planos que se estendem por vários anos no futuro.
 9 Estabelecendo práticas: Como uma empresa de alto 
escalão e os principais membros da equipe mudam, os pa-
drões corporativos correm o risco de entrar em colapso. 
Por isso, é importante que os gestores de startups codifi-
quem as práticas de desenvolvimento e gerenciamento de 
12-7
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
G
ER
EN
C
IA
M
EN
TO
 D
E 
U
M
A
 E
S
TR
U
TU
R
A
 D
E 
IN
TE
LI
G
ÊN
C
IA
 A
R
TI
FI
C
IA
L
12
projetos e compartilhem-nas com candidatos a emprego, 
bem como com novos funcionários durante o onboarding.
Entre outras coisas, definir valores, metas e práticas irá, aci-
ma de tudo, ajudá-lo a definir onde a IA está no grande esquema 
das coisas, bem como o propósito do novo departamento.
12�4 Estabelecimento de uma gestão ágil de projetos
Agora que você sabe como construir uma boa equipe, é im-
portante escolher uma metodologia de gerenciamento de proje-
tos que aumente a velocidade e a eficiência do desenvolvimento 
do projeto.
Quando estamos falando de desenvolvimento de IA e outros 
projetos de tecnologia, uma estrutura ágil inevitavelmente vem à 
mente. É a maneira mais ótima e equilibrada para pequenas equi-
pes experimentais funcionarem. Existem vários pilares do 
Ágil — vamos examiná-los mais de perto:
 ● Construindo projetos como uma série de entregas de lon-
go prazo. Estabelecer micro-metas e alcançá-las torna 
possível que todos os envolvidos no desenvolvimento de 
IA dêem feedback — quando uma equipe passa para a 
próxima fase de desenvolvimento, significa que todos es-
tão felizes com o que foi feito até agora.
 ● Programas de rotação para todas as unidades relaciona-
das à IA. Mover funcionários em torno da equipe e per-
mitir que eles assumam diferentes funções aumentará a 
expertise geral da equipe, bem como a dedicação de cada 
membro. Você também será capaz de evitar a inércia — um 
12-8
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
G
ER
EN
C
IA
M
EN
TO
 D
E 
U
M
A
 E
S
TR
U
TU
R
A
 D
E 
IN
TE
LI
G
ÊN
C
IA
 A
R
TI
FI
C
IA
L
12
estado em que, pela força do hábito, os desenvolvedores 
não notam mais pequenos bugs e dívidas tecnológicas.
 ● Reunião frequente com as partes interessadas. A Agile 
pressupõe que há uma conexão constante entre o cliente 
final e uma equipe de desenvolvimento. Quando se trata 
de IA, há dezenas de tecnologias, especificações técnicas 
que requerem explicação, e assim por diante. Ao criar um 
cronograma regular de reuniões e chamadas de equipe 
com o cliente final, sua equipe poderá avaliar os requisitos 
do projeto e garantir que todas as partes interessadas es-
tejam na mesma página em termos de visão tecnológica.
 ● Criando departamentos para ética em IA. Gigantes da 
tecnologia como Amazon e Microsoft têm um laboratório 
dedicado de ética em IA. Embora uma startup possa não 
ser financeiramente sustentável o suficiente para ser ca-
paz de criar uma equipe para startups de IA que lidariam 
com a ética, considere contratar um ou mais especialistas 
que instruissem a equipe sobre como manter a privacida-
de e evitar viés algorítmico ao trabalhar em seu próximo 
projeto de IA.
12�5 Estruturação da equipe de trabalho
Uma forte arquitetura de IA deriva da escolha do paradig-
ma de organização certo ao mesmo tempo em que a construção de 
paradigmas de gerenciamento de equipes de startups de IA. Para 
evitar erros de comunicação e gargalos, siga as dicas de geren-
ciamento da equipe:
 9 Divida a equipe em departamentos menores. Dessa for-
ma, todos podem trazer insights para o projeto, enquanto 
12-9
Arquiteturas Disruptivas, IOT, Big Data e Inteligência Artificial
G
ER
EN
C
IA
M
EN
TO
 D
E 
U
M
A
 E
S
TR
U
TU
R
A
 D
E 
IN
TE
LI
G
ÊN
C
IA
 A
R
TI
FI
C
IA
L
12
em grandes departamentos, as ideias são muitas vezes ne-
gligenciadas ou desvalorizadas.
 9 Crie unidades de pesquisa e implementação separadas. 
Misturar os dois criará caos dentro da equipe e tornará 
mais difícil para os gerentes de projeto acompanhar o 
progresso na pesquisa e desenvolvimento de produtos. 
Tenha em mente, no entanto, que essas unidades sepa-
radas devem ser capazes de se conectar entre si, trocar 
conhecimento e ter loops de feedback compartilhados.
 9 Delineie a arquitetura de gerenciamento de equipe. As 
escolhas mais populares são uma estrutura de equipe de 
inicialização de IA (vertical) de ponta a ponta com uma 
hierarquia e sistema de relatórios claramente definido ou 
uma estrutura horizontal de equipe onde todos os fun-
cionários estão em um plano igual em termos de tomada 
de decisão. Examine a estrutura de gestão da equipe nos 
outros departamentos da empresa, avalie sua eficiência e 
escolha qual das duas abordagens se encaixa melhor na 
sua cultura corporativa.
 9 Certifique-se de que cada pessoa envolvida no desenvolvi-
mento seja atualizada sobre os processos dentro da equi-
pe. Isso inclui o status do projeto, ser capaz de dar uma 
olhada no trabalho feito por seus pares e fazer parte do 
círculo de feedback. Integrar todo o departamento na to-
mada de decisões é uma forma de aumentar a transparên-
cia e a confiança dentro da equipe.
12-10
	� EXERCÍCIOS PROPOSTOS
01 Observe as afirmações abaixo:
I) Criar uma estrutura de equipe de inicialização de IA é exigente em termos 
de tempo e recursos necessários para a construção de uma equipe.
II) A inteligência artificial é uma força para as empresas contarem. Não tem 
potencial suficiente para remodelar a forma como as empresas abordam 
fluxos de trabalho diários e gerenciam projetos.
III) Como resultado do crescimento da IA, as empresas devem começar a 
aceitar a tecnologia e integrá-la como parte da organização.
Estão INCORRETAS:
▢ -a) I e III
▢ -b) II somente
▢ -c) II e III
▢ -d) III somente
▢ -e) I somente
02 Contratar qualquer especialista em tecnologia é um desafio nos dias de 
hoje. As taxas de desemprego em todo o mundo estão atingindo o fundo 
do poço. Os cidadãos americanos, por exemplo, não estão tão ocupados 
no trabalho desde:
▢ -a) 1990
▢ -b) 1980
▢ -c) 1950
▢ -d) 1999
▢ -e) 1969
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
12-11
03 Observe as afirmações abaixo:
I) Nos últimos 10 anos, o domínio da economia independente tornou-se 
evidente em qualquer indústria.
II) De acordo com o Fórum Econômico Mundial, até 2027, espera-se que a 
economia autônoma empregue mais de 50% da população americana.
III) Para estar um passo à frente do mercado de trabalho, os recrutadores 
de equipes de IA devem não aproveitar as tendências emergentes.
Estão CORRETAS:
▢ -a) I e II
▢ -b) II somente
▢ -c) I e III
▢ -d) III somente
▢ -e) I somente
04 Os mercados freelancers mais populares incluem:
▢ -a) Go-to
▢ -b) IA
▢ -c) Upwork Pro
▢ -d) Onboarding
▢ -e) Equipe C
05 Observe as afirmações abaixo:
I) O uso de programas de referência é uma estratégia de go-to quando se 
trata de fechar uma vaga de emprego desafiadora. Caso uma empresa tenha 
dinheiro suficiente para fazer campanhas publicitárias, é hora de perguntar 
em torno da equipe.
II) De acordo com o LinkedIn, os programas de referência tornaram-se a 
maneira mais popular para os candidatos a emprego descobrirem sobre no-
vas vagas.
III) A IA é uma indústria em rápido desenvolvimento — os gerentes de 
recrutamento devem tirar proveito disso. Há dezenas de conferências em 
todo o mundo que visam empurrar o envelope do desenvolvimento de IA.
Estão INCORRETAS:
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
12-12
▢ -a) I e II
▢ -b) II somente
▢ -c) II e III
▢ -d) I somente
▢ -e) II somente
06 Podemos definir Empresas terceirizadas como:
▢ -a) Ter uma nova equipe interna, totalmente dedicada aos proje-
tos da empresa é altamente atraente.
▢ -b) O uso dasmídias sociais é uma maneira de estabelecer uma 
conexão mais profunda com especialistas em IA.
▢ -c) Uma forte arquitetura de IA deriva da escolha do paradigma 
de organização certo ao mesmo tempo em que a construção de 
paradigmas de gerenciamento de equipes de startups de IA.
▢ -d) Simplesmente participar de encontros relacionados à IA me-
lhorará a imagem corporativa da sua empresa — você será vis-
ta como inovadora e disruptiva.
▢ -e) Uma estratégia de go-to quando se trata de fechar uma vaga 
de emprego desafiadora. Caso uma empresa não tenha di-
nheiro suficiente para fazer campanhas publicitárias, é hora 
de perguntar em torno da equipe.
07 É uma maneira de estabelecer uma conexão mais profunda com especia-
listas em IA. Estamos falando de:
▢ -a) Mercados autônomos
▢ -b) Programas de referência
▢ -c) Mídias sociais
▢ -d) Encontros tecnológicos locais
▢ -e) Empresas terceirizadas
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
12-13
08 Uma forte arquitetura de IA deriva da escolha do paradigma de organiza-
ção certo ao mesmo tempo em que a construção de paradigmas de geren-
ciamento de equipes de startups de IA. Para evitar erros de comunicação 
e gargalos, umas das dicas de gerenciamento da equipe é:
▢ -a) Crie unidades de pesquisa e implementação separadas. Mis-
turar os dois criará caos dentro da equipe e tornará mais di-
fícil para os gerentes de projeto acompanhar o progresso na 
pesquisa e desenvolvimento de produtos.
▢ -b) Criando departamentos para ética em IA. Gigantes da tecno-
logia como Amazon e Microsoft têm um laboratório dedicado 
de ética em IA.
▢ -c) A Agile pressupõe que há uma conexão constante entre o 
cliente final e uma equipe de desenvolvimento.
▢ -d) Mover funcionários em torno da equipe e permitir que eles 
assumam diferentes funções aumentará a expertise geral da 
equipe, bem como a dedicação de cada membro.
▢ -e) Construindo projetos como uma série de entregas de longo prazo.
09 Embora a falta de habilidade ou experiência seja o motivo mais popular 
para a rotatividade de funcionários, estatisticamente, também é o fato de 
que o candidato simplesmente não é adequado para a cultura corporativa 
da empresa. Estamos nos referindo a:
▢ -a) Estruturação da equipe de trabalho
▢ -b) Estabelecimento de uma gestão ágil de projetos
▢ -c) Mídias sociais
▢ -d) Definição de uma cultura corporativa
10 Quando estamos falando de desenvolvimento de IA e outros projetos de 
tecnologia, uma estrutura ágil inevitavelmente vem à mente. É a maneira 
mais ótima e equilibrada para pequenas equipes experimentais funcio-
narem. Existem vários pilares do Ágil um deles é:
▢ -a) Divida a equipe em departamentos menores. Dessa forma, to-
dos podem trazer insights para o projeto, enquanto em gran-
des departamentos, as ideias são muitas vezes negligenciadas 
ou desvalorizadas.
EX
ER
C
ÍC
IO
S
 P
R
O
P
O
S
TO
S
12-14
▢ -b) Programas de rotação para todas as unidades relacionadas 
à IA. Mover funcionários em torno da equipe e permitir que 
eles assumam diferentes funções aumentará a expertise geral 
da equipe, bem como a dedicação de cada membro.
▢ -c) Crie unidades de pesquisa e implementação separadas. Mis-
turar os dois criará caos dentro da equipe e tornará mais di-
fícil para os gerentes de projeto acompanhar o progresso na 
pesquisa e desenvolvimento de produtos.
▢ -d) Delineie a arquitetura de gerenciamento de equipe.
▢ -e) Certifique-se de que cada pessoa envolvida no desenvolvi-
mento seja atualizada sobre os processos dentro da equipe.
13-1
	� REFERÊNCIAS
ABRITTA, Luciana. Como as máquinas inteligentes irão transfor-
mar as Relações Humanas. Stefanini Trends. Número 44, 2016.
BUCKLEY, J. The Internet of Things: From RFID to the Next-Ge-
neration Pervasive Networked Systems. Auerbach Publications. 
NewYork, 2006.
BREUKER, J. Coaching in Help Systems. In: SELF, J. (Ed.) Artificial 
Intelligence and Human Learning: Intelligent Computer Aided 
Instruction. London: Chapman Hall, 1988.
CHRISTENSEN, CLAYTON M.; BOWER, JOSEPH L. Tecnologias dis-
ruptivas: pegando a onda. Harvard Business Review, 1995.
CHORAFAS, N. Dimitris. Cloud Computing Strategies. CRC Press, 
2011.
DAVENPORT, Thomas H. Big Data no trabalho: derrubando mitos 
e descobrindo oportunidades. Rio de Janeiro: Elsevier, 2014.
CISCO. Até 2023, 5,3 bilhões de pessoas estarão conectadas à Inter-
net, diz Cisco. Disponível em: < https://www.mobiletime.com.br/noti-
cias/18/02/2020/ate-2023-53-bilhoes-de-pessoas-estarao-conectadas-
-a-internet-diz-cisco/ > Acesso em: 16. abr. 2022.
EMBRATEL, e-Book “Internet Of Things, A internet Fora das Te-
las”, Edição#2, 2017.
ERICSSON MOBILITY REPORT. Mobile data traffic in India grow 
15 times by 2021. Disponível em: < https://indianexpress.com/article/
technology/tech-news-technology/internet-of-things-ericsson-study-
-mobile-data-traffic-india-2829151/ > Acesso em: 16. abr. 2022.
GARTNER & ZTE. Reviews. Disponível em: < https://www.gartner.
com/peer-insights> Acesso em: 16. abr. 2022.
GRUBIN A. HP: armazenamento federado para serviços em nu-
vem. Storage News.2011.
R
EF
ER
ÊN
C
IA
S
13-2
FEDIV, A. Serviço para armazenamento de arquivos: qual esco-
lher. Computerra-Online. My Friend Computer 15, 2011.
GILLAM, L. Cloud Computing: Princípios, Sistemas e Aplicações 
/Nick Antonopoul os. Springer, 2010
KALBACH, Jim. A inovação eruptiva supera a inovação disrupti-
va. Aries, 2ª ed. Porto, 2014.
KEARSLEY, G. “Artificial Intelligence & Instruction - Applica-
tions and Methods”. Editado por Greg Kearsley. Addison-Wesley Pu-
blishing Company, 1987.
KILKKIA, L; KALEVI, K; MÄNTYLÄ, H; MARTTI, E; KARHUA, G.G; 
KIMMO, O; HÄMMÄINEN, J.F; HEIKKI, D; AILISTOB, S; HEIKKI, H. 
Uma estrutura de disrupção. Philia. 1ª ed. Laya, 2018.
L…VY, P. As Tecnologias da Inteligência - O futuro do pensa-
mento na era da informática. Editora 34 (Edição brasileira), 1993.
PLUZHNIK E. V., NIKULCHEV E. V. Funcionamento de sistemas 
educacionais em infraestrutura de nuvem. Aras publicação. 2013.
RADCHENKO, G.I. Sistemas de computação distribuídos. Tuto-
rial. - Chelyabinsk: Um Fotógrafo, 2012.
ROGERS, L. Decodificação da disrupção digital. Aurora. 3ªed. Lio-
ner, 2011.
SACCOL, A. Z.; REINHARD, N. Tecnologias de informação móveis, 
sem fio e ubíquas: definições, estado-da-arte e oportunidades 
de pesquisa. Revista de Administração Contemporânea, v. 11, n. 4, p. 
175-198, 2007.
SIMÕES, Kátia. A Transformação do Cotidiano com a Revolução 
Tecnológica de IoT. Stefanini Trends. Número 46, 2017.
WILLIAMS, Ian, Mark. A Quick Start Guide to Cloud Computing: 
Moving Your Business. Kogan Page, 2010.
VELTE, T. Anthony; VELTE, J. Toby; ELSENPETER, Robert. Cloud 
Computing: Uma Abordagem Prática. Alta Books, 2011.
14-1
	" GABARITO
Capítulo 1: 
01 (d)
02 (a)
03 (c)
04 (e)
05 (b)
06 (d)
07 (a)
08 (e)
09 (a)
10 (a)
Capítulo 2: 
01 (b)
02 (c)
03 (a)
04 (e)
05 (a)
06 (c)
07 (d)
08 (b)
09 (a)
10 (b)
Capítulo 3: 
01 (c)
02 (a)
03 (e)
04 (b)
05 (a)
06 (e)
07 (b)
08 (a)
09 (c)
10 (d)
G
A
B
A
R
IT
O
14-2
Capítulo 4: 
01 (c)
02 (b)
03 (e)
04 (a)
05 (b)
06 (e)
07 (b)
08 (d)
09 (a)
10 (c)
Capítulo 5: 
01 (e)
02 (b)
03 (a)
04 (c)
05 (e)
06 (b)
07 (e)
08 (b)
09 (a)
10 (c)
Capítulo 6: 
01 (a)
02 (e)
03 (b)
04 (c)
05 (b)
06 (a)
07 (e)
08 (c)
09 (a)
10 (c)
G
A
B
A
R
IT
O
14-3
Capítulo 7: 
01 (c)
02 (a)
03 (b)
04 (e)
05 (d)
06 (a)
07 (c)
08 (a)
09 (d)
10 (a)
Capítulo 8: 
01 (a)
02 (e)
03 (b)
04 (c)
05 (a)
06 (d)
07 (b)
08 (e)
09 (a)
10 (c)
Capítulo 9: 
01 (a)
02 (e)
03 (b)
04 (d)
05 (a)
06 (c)
07 (e)
08 (b)
09 (c)
10 (b)
G
A
B
A
R
IT
O
14-4
Capítulo 10: 
01 (a)
02 (e)
03 (b)
04 (c)
05 (d)
06 (a)
07 (e)
08 (b)
09 (a)
10 (c)
Capítulo 11: 
01 (b)
02 (a)
03 (e)
04 (d)
05 (c)
06 (a)
07 (e)
08 (a)
09 (b)
10 (c)
Capítulo 12: 
01 (b)
02 (e)
03 (a)
04 (c)
05 (d)
06 (a)
07 (c)
08 (a)
09 (d)
10 (b)
E D I T O R A
1º EDIÇÃO - 2022
SÃO PAULO/ SP