<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Michel Caiafa on Medium]]></title>
        <description><![CDATA[Stories by Michel Caiafa on Medium]]></description>
        <link>https://medium.com/@michelcaiafa?source=rss-2ff056cc9b28------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*0YMuj27ybgKfjlZH2O-1ug.jpeg</url>
            <title>Stories by Michel Caiafa on Medium</title>
            <link>https://medium.com/@michelcaiafa?source=rss-2ff056cc9b28------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sat, 21 Nov 2026 08:53:05 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@michelcaiafa/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Modelagem de Dados]]></title>
            <link>https://michelcaiafa.medium.com/modelagem-de-dados-f95cad9a96ae?source=rss-2ff056cc9b28------2</link>
            <guid isPermaLink="false">https://medium.com/p/f95cad9a96ae</guid>
            <category><![CDATA[data-engineering]]></category>
            <category><![CDATA[database]]></category>
            <category><![CDATA[data]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[data-governance]]></category>
            <dc:creator><![CDATA[Michel Caiafa]]></dc:creator>
            <pubDate>Wed, 24 May 2023 01:42:58 GMT</pubDate>
            <atom:updated>2023-05-24T01:42:58.112Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/730/1*BVfELHUXHQkgF0QZzp7N9A.png" /></figure><p>Hoje vamos falar de um dos tópicos mais densos quando pensamos em desenvolvimento de software e analytics, modelagem de dados. Uma mistura de engenharia com arte que aproxima muito a TI do coração do negócio, isso ocorre pelo fato da modelagem de dados se propor a árdua tarefa de mapear e nortear os sistemas da organização por uma perspectiva de dados e, em como esses dados devem ser relacionados entre si.</p><p><strong>O que é modelagem de dados?</strong></p><p>Modelagem de dados é o processo de criar uma representação visual de um sistema de informação ou parte dele para comunicar conexões de dados. Ou seja, usamos modelagem de dados para visualizar o sistema do ponto de vista das conexões dos dados do sistema. O objetivo é ilustrar os tipos de dados, os relacionamentos entre os diferentes conjuntos de dados, como os dados são agrupados e organizados.</p><p><strong>Diferença entre modelagem de dados e Arquitetura de dados</strong></p><p>Essa é uma diferenciação simples, mas que deixa muita gente (em especial quem está chegando na área) um pouco confuso, mas entendendo no que cada área foca fica mais claro seu papel.</p><p><strong>Modelagem</strong>: Foca na representação dos dados.</p><p><strong>Arquitetura</strong>: Foca em quais tecnologias e plataformas vão ser usadas para armazenar e analisar os dados.</p><p><strong>Modelagem</strong>: Foca na precisão dos dados.</p><p><strong>Arquitetura</strong>: Foca na infraestrutura que hospeda os dados.</p><p><strong>Modelagem</strong>: Foca na confiabilidade dos dados.</p><p><strong>Arquitetura</strong>: Foca em deixar os dados seguros e acessíveis.</p><p><strong>Modelagem</strong>: Foca em representar a realidade.</p><p><strong>Arquitetura</strong>: Foca em frameworks e logística.</p><p><strong>Modelagem</strong>: Representa um conjunto finito de conceitos e regras de negócio.</p><p><strong>Arquitetura</strong>: Abrange a infraestrutura de dados de toda a organização.</p><p>Podemos resumir isso da seguinte forma: a <strong>modelagem </strong>está muito focada em fazer com que os dados de fato representem o negócio enquanto a <strong>arquitetura</strong> está mais preocupada em como fazer a movimentação dos dados da organização.</p><p><strong>Os 3 níveis da modelagem de dados</strong></p><p><strong>O modelo conceitual: </strong>Foca no que são os dados no sistema, é um modelo de mais alto nível. Aqui pensamos primeiro em coisas como entidades, atributos e algumas regras de negócios.</p><p><strong>O modelo lógico:</strong> Aprofunda o modelo conceitual com mais detalhes. Como as entidades vão interagir entre si? Quais atributos são chaves? Qual a cardinalidade dos relacionamentos? Qual o domínio dos dados? Quais regras de negócios tem que ser levadas em consideração?</p><p><strong>O modelo físico:</strong> Aprofunda o modelo lógico, aqui vamos ter de fato o código que implementa o banco de dados em um sistema de banco de dados específico.</p><p><strong>A diferenciação entre OLTP e OLAP</strong></p><p>Quando falamos de modelagem de dados em geral estamos falando de <strong>OLTP </strong>(Online transaction processing) ou de <strong>OLAP</strong> (Online analytical processing). Essa diferenciação existe por uma questão de conveniência. Quando estamos falando de OLTP estamos falando do software rodando no dia a dia. Onde ele precisa de desempenho para processar rapidamente as requisições com confiabilidade, a modelagem aqui tem foco no desempenho das transações. Quando falamos de OLAP temos um outro cenário, aqui queremos entender a empresa. Explorar os dados das mais variadas formas, o foco da modelagem aqui é nas consultas, construir tabelas cruzando dados das mais variadas fontes para virar informação estratégica para o negócio.</p><p><strong>O processo da modelagem de dados para OLTP</strong></p><ol><li>Identificar as entidades.</li><li>Identificar os atributos de cada entidade.</li><li>Identificar os relacionamentos.</li><li>Mapear todos os atributos para as entidades.</li><li>Mapear chaves primárias e o nível de normalização.</li><li>Validar o modelo.</li></ol><p><strong>O processo da modelagem de dados para OLAP</strong></p><ol><li>Mapear entidades para tabelas fatos.</li><li>Mapear os atributos das entidades para dimensões.</li><li>Criar as medidas de interesse.</li><li>Definir a granularidade dos dados.</li><li>Validar o modelo.</li></ol><p>A modelagem de dados é provavelmente uma das etapas mais importantes e trabalhosas quando pensamos em dados, é uma etapa de muito planejamento e alinhamento que pode definir o sucesso ou fracasso de um projeto. Não entramos em detalhes mas, é uma área muito rica em técnicas. Sua complexidade se justifica a medida que uma boa modelagem traz <strong>redução de erros no desenvolvimento de sistemas, redução de custo, uma documentação mais rica, melhora a performance dos sistemas (sejam transacionais ou analíticos), facilita a comunicação entre os times de desenvolvimento e analytics. </strong>Em outras palavras, <strong>economiza dinheiro, tempo e esforço. </strong>Um bom investimento, não é mesmo?</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f95cad9a96ae" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[O papel da arquitetura de dados]]></title>
            <link>https://michelcaiafa.medium.com/o-papel-da-arquitetura-de-dados-c92d9c9c0b98?source=rss-2ff056cc9b28------2</link>
            <guid isPermaLink="false">https://medium.com/p/c92d9c9c0b98</guid>
            <category><![CDATA[data-engineering]]></category>
            <category><![CDATA[data-governance]]></category>
            <category><![CDATA[data-architecture]]></category>
            <category><![CDATA[data]]></category>
            <category><![CDATA[data-science]]></category>
            <dc:creator><![CDATA[Michel Caiafa]]></dc:creator>
            <pubDate>Thu, 27 Apr 2023 02:47:38 GMT</pubDate>
            <atom:updated>2023-04-27T02:47:38.762Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/612/1*KF5ToVD3S6OgywgSwp_tWg.jpeg" /></figure><p>Dentro do mundo de dados, arquitetura talvez seja o tópico mais conhecido no que diz respeito à governança de dados. Nos últimos tempos vimos a revolução dos Data Lakes ocupando um espaço que a muito tempo foi dos Data Warehouse. Atualmente vemos a ascensão dos Data Lake House que nada mais são que juntar o que tem de melhor da modelagem dimensional dos Data Warehouse com o poder de armazenar dados estruturados e não estruturados do Data Lake. Mas os detalhes sobre essas arquitetura vamos ver uma outra hora, hoje queremos pensar a arquitetura de dados de uma forma mais estratégica e entender o papel do arquiteto de dados.</p><p><strong>O que é Arquitetura de Dados?</strong></p><p>É o conjunto de regras, políticas, padrões e modelos que governam e definem quais dados são coletados, como vão ser armazenados, como esses dados são geridos e como será a integração dos dados. Quando pensamos em arquitetura, então, pensamos em uma visão mais esquematizada e de alto nível de todo o fluxo de dados da organização.</p><p><strong>Princípios da arquitetura de dados</strong></p><p>Aqui teremos uma lista de coisas que todo arquiteto de dados deve sempre ter em mente independente da arquitetura que está desenvolvendo, são pontos norteadores básicos que vão ajudar a guiar para uma boa arquitetura.</p><ul><li><strong>Dados são um recurso compartilhado: </strong>Um ponto chave, dados precisam ser compartilhados para evitar, entre outras coisas, a formação de silos de dados. Silos de dados são uma situação onde temos diversas fontes de dados que não conversam e interagem entre si. Cada departamento com seu conjunto de dados, que pode estar desatualizado ou em conflito com outras bases. Uma boa arquitetura quer evitar que isso aconteça, ter os dados mais atualizados e em boa qualidade para todos é um ponto fundamental.</li><li><strong>Usuários precisam de acesso adequado: </strong>De nada adianta ter os dados centralizados, e com qualidade e as pessoas e sistemas da organização não conseguirem acessar. É preciso ter em mente a facilidade de usabilidade desses dados, uma boa arquitetura não deve ser uma barreira para acesso aos dados e sim uma ponte.</li><li><strong>Segurança: </strong>Esse ponto tem muita relação com o anterior, não é porque os dados precisam ser de fácil acesso que qualquer um deva acessar os dados, em especial de pessoas externas à organização. Dados são um recurso valioso que precisam ser protegidos com cuidado. Pensar em uma política de acesso é fundamental.</li><li><strong>Um vocabulário comum garante um entendimento comum: </strong>No fim das contas todo processo de dados é gerido por pessoas, garantir que todos estejam na mesma página em relação às nomenclaturas, produtos e serviços de dados da empresa é essencial para evitar ambiguidades nas demandas.</li><li><strong>Deve haver uma curadoria dos dados: </strong>Isso significa dizer que não temos que ter apenas os dados em um lugar, mas, que precisamos garantir que estejam limpos, modelados e com metadados.</li><li><strong>Fluxos de dados devem ser otimizados para a agilidade: </strong>Adianta muito pouco ter o melhor dado gerado as melhores análises e predições quando elas não são mais úteis. O processo de dados deve ser rápido o suficiente para que a organização consiga tirar o máximo de proveito disso no momento certo.</li></ul><p><strong>Principais componentes de uma arquitetura de dados</strong></p><ul><li><strong>Pipeline de dados: </strong>Aqui falamos da movimentação dos dados e de seu processamento. Vamos exemplificar com o conceito clássico de de <strong>ETL — Extrair, Transformar e Carregar — </strong>A pipeline é responsável por <strong>extrair</strong> os dados de alguma fonte, <strong>processar</strong> esses dados para algum propósito e <strong>carregar </strong>esses dados em algum outro banco para serem consumidos.</li><li><strong>Cloud storage: </strong>Nem toda arquitetura de dados envolve ter os dados na nuvem, mas é muito comum. Aqui temos a coleção de banco de dados da organização, a figura do Data Lake se encontra aqui.</li><li><strong>Cloud computing: </strong>Muito similar ao caso anterior, a ideia aqui é ao invés de comprar hardware especializado e desenvolver seu próprio data center, terceirizar isso para algum provedor de cloud e processar seus dados no servidor deles.</li><li><strong>AI e ML Models: </strong>Aqui já começamos a falar sobre produtos de dados, são ferramentas construídas a partir dos dados. Podem ser produtos que a empresa vende ou produtos internos que ajudam sua operação.</li><li><strong>Dashboard: </strong>Um outro tipo de produto de dados, são painéis que agregam informação na forma de métricas e KPIs, muito úteis para entregar alguma informação de valor de forma rápida e visual. Podem ser usados para monitorar diversos tipos de coisas, desde a qualidade de uma campanha de venda até o quanto a organização está gastando com cloud diariamente.</li><li><strong>Orquestração de container: </strong>Kubernetes resumidamente. Aqui falamos de pensar formas mais eficientes de ter os produtos e serviços de dados online, facilitar o deploy, facilitar a manutenção e atualização dos sistemas.</li><li><strong>Streaming de dados: </strong>Dados em tempo real ou o mais próximo disso. Atualização de saldo bancário, post do Instagram são exemplos desse tipo de fluxo.</li><li><strong>Análise em tempo real: </strong>Anda de mãos dadas com o ponto anterior, significa analisar os dados no momento que eles chegam pelo streaming.</li></ul><p><strong>Melhores práticas em arquitetura de dados:</strong></p><ol><li><strong>Cloud Native: </strong>Pensar em uma estratégia cloud desde o início pode ser um excelente caminho para evitar problemas de disponibilidade, segurança e infraestrutura física, conseguindo assim focar no que mais importa, os dados e as análises.</li><li><strong>Pipelines robustas e escaláveis: </strong>Pensar sempre em construir pipelines que lidem bem com erros e com aumento de dados sem quebrar. Um bom ponto para começar a pensar isso é sua pipeline hoje tem circuit breakers?</li><li><strong>Integração perfeita dos dados: </strong>Entender que os usuários finais precisam de uma boa experiência de dados, isso implica que a integração entre os diversos sistemas precisam ser <strong>resilientes</strong> — o sistema não cai -, <strong>fluidas</strong> — é fácil agrupar dados de diversas fontes — e <strong>silenciosa</strong> — ninguém precisa saber o que está acontecendo ali atrás — para gerar uma boa experiência.</li><li><strong>Habilitar os dados em tempo real (ou o mais rápido possível): </strong>Isso significa dizer que os produtos e serviços de dados vão ter sempre os dados, as análises e os modelos mais recentes sempre à disposição.</li><li><strong>Desacoplado e extensível: </strong>Contratos de dados e interfaces são bons caminhos para alcançar isso. Queremos que os sistemas continuem de pé, mesmo que algum componente isolado tenha uma grande mudança, a mudança dele deve causar o mínimo de impacto no sistema.</li><li><strong>Orientado a domínio: </strong>Os dados devem ser pensados em em função do negócio, modelados e estruturados pensando no negócio.</li><li><strong>Equilíbrio entre tecnologia e negócio:</strong> Aqui saber negociar é a chave, ter uma postura adulta de entender as dificuldades técnicas, entender os custos e as reais demandas que vão ajudar o negócio.</li></ol><p><strong>Papéis na arquitetura de dados:</strong></p><ol><li><strong>O arquiteto de dados: </strong>É o papel mais sênior e de liderança. Traduz os requisitos de negócio para a tecnologia. É o responsável pelo desenho macro da arquitetura. Possui cinco grandes responsabilidades:<br>- Traduzir os requisitos de negócio para tecnologia.<br>- Definir o framework da arquitetura, assim como os padrões e princípios.<br>- Definir a arquitetura de referência.<br>- Definir os fluxos de dados.<br>- Coordenar e colaborar com os outros departamentos.</li><li><strong>Modelador de dados: </strong>Responsável por elaborar os modelos lógicos e físicos dos conjuntos de dados, fazem engenharia reversa em banco de dados para entender a estrutura, entendem os pedidos de dados dos clientes.</li><li><strong>Desenvolvedor de integração de dados: </strong>É o responsável por desenvolver as integrações entre softwares e plataformas.</li><li><strong>Engenheiro de dados: </strong>Tem o mesmo papel do arquiteto de dados, mas em escala menor. Geralmente quando falamos do cargo de arquiteto de dados, pensamos em organizações realmente grandes. Em organizações menores as atribuições do arquiteto acabam recaindo sobre os engenheiros mais seniores. Além disso, o engenheiro é responsável por efetivamente programar as pipelines e montar a plataforma de dados.</li></ol><p>Chegamos ao fim de mais uma das subáreas de gestão de dados. Esse é um conteúdo que vale a pena ler novamente, pesquisar partes específicas e entender bem. A arquitetura de dados é de longe a parte mais falada e cobrada no que diz respeito à gestão de dados e, é uma boa porta de entrada para todas as outras subáreas, não é tão longe do operacional quanto governança, mas, já requer algum distanciamento do pensamento puramente operacional.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c92d9c9c0b98" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Porque pensar em governança de dados?]]></title>
            <link>https://michelcaiafa.medium.com/porque-pensar-em-governan%C3%A7a-de-dados-bfd77a37be64?source=rss-2ff056cc9b28------2</link>
            <guid isPermaLink="false">https://medium.com/p/bfd77a37be64</guid>
            <category><![CDATA[data-engineering]]></category>
            <category><![CDATA[data]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[governance]]></category>
            <category><![CDATA[bussiness]]></category>
            <dc:creator><![CDATA[Michel Caiafa]]></dc:creator>
            <pubDate>Sat, 22 Apr 2023 21:35:04 GMT</pubDate>
            <atom:updated>2023-04-28T02:25:17.865Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*qNLDcLDP3Jzz1luMtbc9CA.jpeg" /></figure><p>Hoje vamos falar sobre governança de dados, que é a primeira subárea da gestão de dados e sua base. É na governança que a estratégia de dados é traçada, ou seja, <strong>é na governança que o caminho dos dados em uma organização é definido, avaliado e corrigido</strong>.</p><p>A grande questão aqui é pensar em como os dados podem ajudar a alcançar nossos objetivos. É importante entender onde estamos no momento e onde queremos estar no futuro e, a partir disso,<strong> traçar, executar, avaliar e corrigir um plano que nos leve onde desejamos.</strong></p><p>A governança de dados é a área responsável por pensar a estratégia de dados de uma organização. <strong>Ela define as regras, os processos e as responsabilidades da área de dados</strong>. Uma boa governança vai pensar em toda a jornada dos dados em uma organização e tem uma visão mais executiva e de longo prazo sobre o papel que os dados vão desempenhar.</p><p><strong>A governança de dados é importante porque permite ter uma estratégia clara de dados para a organização, onde todos entendam e estejam alinhados</strong>. Alguns pontos que devem ter atenção na elaboração e execução da estratégia são:</p><ul><li>Garantir a segurança dos dados.</li><li>Garantir a conformidade com a legislação e normas.</li><li>Garantir a qualidade dos dados.</li><li>Evitar e combater os silos de dados.</li><li>Auxiliar na tomada de decisões.</li><li>Melhorar a eficiência da organização.</li></ul><p>Entendemos que a governança de dados é responsável pela visão macro dos dados em uma organização. <strong>Algumas perguntas podem ajudar a entender se ela está fazendo um bom trabalho</strong>, como:</p><ul><li>Os dados são reconhecidos e aplicados como um recurso estratégico da organização?</li><li>Existe clareza sobre a responsabilidade dos dados e as boas práticas na sua gestão?</li><li>Os dados estão seguindo corretamente as normas internas e externas da organização?</li><li>Os dados estão com qualidade durante o seu ciclo de vida? É possível confiar neles? Como isso é medido?</li></ul><p>Podemos pensar a governança dos dados em três níveis estratégico, tático e operacional:</p><ol><li><strong>O nível estratégico</strong> é responsável pelas decisões de longo prazo, educação sobre o uso de dados na organização e aprovação de políticas e diretrizes sobre os dados.</li><li><strong>O nível tático</strong> é responsável por garantir que as políticas e diretrizes sejam respeitadas, coordenar a execução dos projetos e monitorar os produtos de dados buscando garantir sua qualidade.</li><li><strong>O nível operacional </strong>é responsável pela execução e automação dos processos de dados, desenvolvimento de projetos e manutenção dos produtos de dados.</li></ol><p>É importante lembrar que, muitas vezes, o dia a dia pode ser corrido e cheio de imprevistos. Porém, <strong>é essencial buscar um tempo para ter uma visão mais ampla e estratégica sobre os dados da organização</strong>, afinal, <strong>remarmos com ímpeto na direção errada não nos levará aos resultados desejados</strong>. Por isso, sejamos mais estratégicos.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=bfd77a37be64" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[O que é gestão de dados e qual o papel dela na carreira de dados?]]></title>
            <link>https://michelcaiafa.medium.com/o-que-%C3%A9-gest%C3%A3o-de-dados-e-qual-o-papel-dela-na-carreira-de-dados-91a56de30b43?source=rss-2ff056cc9b28------2</link>
            <guid isPermaLink="false">https://medium.com/p/91a56de30b43</guid>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[data-engineer]]></category>
            <category><![CDATA[data-engineering]]></category>
            <category><![CDATA[governance]]></category>
            <category><![CDATA[data]]></category>
            <dc:creator><![CDATA[Michel Caiafa]]></dc:creator>
            <pubDate>Thu, 20 Apr 2023 00:31:13 GMT</pubDate>
            <atom:updated>2023-04-24T13:30:36.252Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/612/1*Q_EKbCZhsj1PWBj5dARa3g.jpeg" /></figure><h3>“O que te trouxe até aqui não é o que vai te levar para o próximo nível.” Marshall Goldsmith</h3><p>Para um profissional moderno é muito fácil ficar perdido em um mar de novas tecnologias. Toda hora sai uma plataforma nova, um <em>framework </em>novo, uma biblioteca nova… até mesmo novas linguagens de programação estão sempre surgindo. Junto a isso, o <em>hype</em> que se forma faz muito barulho.</p><p>Entretanto é importante compreender que pode ser que aprender a ferramenta da moda, não vá te levar muito longe. <strong>O motivo é justamente que provavelmente ela já faz algo muito similar ao que você consegue fazer com outra</strong>.</p><p>Conforme vamos avançando na carreira e vamos dominando o operacional — o dia-a-dia da profissão — é fácil sentir que chegou a um platô, onde buscar aprender mais algum detalhe operacional ou ferramenta não vai trazer tanto resultado quanto esperamos. Nesses momentos é preciso ir além e se afastar um pouco desse operacional, olhando as coisas com um pouco mais de distância. Não pense apenas no que você vai fazer hoje, <strong>mas pensar no porquê você está fazendo esta atividade e qual é o impacto disso semana que vem.</strong></p><p>Especificamente na área de dados, isso significa <strong>começar a pensar mais na gestão de dados</strong>. Olhar para o todo e como as coisas se conectam. Isso implica em aprender uma série de conceitos que talvez sabíamos que existiam mas não demos muita atenção antes, até porque não é de fato o papel de alguém mais junior pensar nessas coisas. No entanto, à medida que se buscam posições mais elevadas, pensar nessas coisas passa a ser uma obrigação.</p><p>Atualmente eu estou aprendendo sobre gestão de dados e gostaria de compartilhar este aprendizado. A ideia é, ao longo de algumas publicações, fornecer um resumo sobre os principais tópicos de gestão de dados. Hoje, vamos ter uma visão geral e mais superficial sobre o que é gestão de dados e quais suas principais sub áreas.</p><p><strong>O que é gestão de dados?</strong></p><p>Existem muitas formas de definir o que é gestão de dados. Uma que eu gosto muito é a definição do Gartner: <strong>“Gestão de dados é a prática de coletar, organizar, proteger e guardar os dados de uma organização para que possam ser usados por ela para gerar valor.”</strong></p><p>Quais são as principais sub áreas da gestão de dados?</p><ul><li><strong>Governança de dados: </strong>É o processo responsável por pensar a estratégia de dados de uma organização. É a partir da Governança que os objetivos de dados vão ser traçados e definidas as políticas de dados que vão levar a concretização desses objetivos.</li><li><strong>Modelagem de dados e design: </strong>É o processo de descobrir, analisar e representar as<strong> </strong>diferentes entidades de dados de uma organização.</li><li><strong>Armazenamento de dados e operações: </strong>É o processo de desenhar, implementar e dar suporte às bases de dados da organização.</li><li><strong>Segurança de dados: </strong>É o processo de garantir que as pessoas certas tenham acesso aos dados certos no momento certo, respeitando todas as normas e regulamentações.</li><li><strong>Data integração e interoperabilidade: </strong>É o processo de desenhar, implementar e dar manutenção a movimentação de dados entre os diversos sistemas da organização.</li><li><strong>Documentação e gestão de conteúdo: </strong>É o processo de criar e gerenciar as informações sobre os diversos processos e sistemas de dados de uma organização.</li><li><strong>Referência e Dados mestres: </strong>É o processo que busca definir de forma consistente e gerenciar os dados mestres e as referências de dados de uma organização.</li><li><strong>Data Warehouse, BI e analytics: </strong>É o processo de desenhar, implementar e dar manutenção aos armazéns de dados (os data lakes entram aqui) além de processar os dados para gerar valor na forma de informação através de relatórios, dashboard ou modelos.</li><li><strong>Metadata: </strong>É o processo de mapear e gerir os dados sobre os dados da organização.</li><li><strong>Data Quality: </strong>É o processo que busca garantir que os dados estejam “saudáveis” durante todo seu ciclo de vida, para que possam ser consumidos pelos diversos sistemas de forma efetiva.</li><li><strong>Arquitetura de Dados: </strong>É o processo que busca desenhar de uma forma mais macro a estrutura de dados e dos sistemas de dados da organização.</li></ul><p>Como foi dito anteriormente, esta foi a primeira de uma série de postagens que busca explicar, ou pelo menos apresentar, os principais tópicos quando falamos em gestão de dados. Na próxima publicação vamos conversar sobre o que é Governança de dados de forma mais aprofundada.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=91a56de30b43" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Quais tipos de trabalhos científicos normalmente são feitos por cientistas da computação?]]></title>
            <link>https://michelcaiafa.medium.com/quais-tipos-de-trabalhos-cient%C3%ADficos-normalmente-s%C3%A3o-feitos-por-cientistas-da-computa%C3%A7%C3%A3o-f3b017bec443?source=rss-2ff056cc9b28------2</link>
            <guid isPermaLink="false">https://medium.com/p/f3b017bec443</guid>
            <category><![CDATA[ciência-da-computação]]></category>
            <category><![CDATA[pesquisa]]></category>
            <category><![CDATA[tcc]]></category>
            <category><![CDATA[metodologia-científica]]></category>
            <dc:creator><![CDATA[Michel Caiafa]]></dc:creator>
            <pubDate>Sat, 02 Oct 2021 00:28:39 GMT</pubDate>
            <atom:updated>2021-10-02T00:28:39.044Z</atom:updated>
            <content:encoded><![CDATA[<p>Podemos classificar os trabalhos em três tipos básicos.</p><ol><li><strong>Pesquisas formais</strong>: Os requisitos para essa abordagem são uma teoria é uma demonstração que a teoria está correta. Matemática e lógica formal são as principais ferramentas para esse tipo de pesquisa.</li><li><strong>Pesquisas empíricas:</strong> Uma nova metodologia é apresentada e comparada com o estado da arte da área, normalmente os teste e critérios para avaliação já estão bem definidos pela comunidade. Estatística vai ser a principal ferramenta da pesquisa.</li><li><strong>Pesquisas exploratórias</strong>: Não necessariamente vão conseguir provar uma teoria ou ter os melhores resultados estatísticos. São importantes por tratarem de estudos de casos, análises qualitativas e propor temas em áreas emergentes. Argumentação será a principal ferramenta para esse tipo de pesquisa.</li></ol><p>Vamos agora descrever agora algumas possibilidades dentre esses três tipos básicos.</p><p><strong>Apresentação de um produto</strong></p><p>Normalmente esse tipo de pesquisa é eminentemente exploratória, é difícil encontrar ou mesmo não existem casos para se fazer uma comparação. Os resultados geralmente vão ser do tipo “Fiz algo novo”, em áreas mais consolidadas esse tipo de pesquisa dificilmente seria aceito, por exemplo em um evento de criptografia, um trabalho propondo um novo método de criptografia sem nenhuma comparação com outros métodos de criptografia dificilmente seria aceito. Em geral não é recomendado esse tipo de pesquisa. Mesmo em uma área emergente é interessante mostrar que se está resolvendo um problema relevante e se o problema é relevante, provavelmente outras pessoas já pensaram sobre ele. Em geral a nível de graduação ou especialização um trabalho do tipo desenvolver um novo sistema pode ser interessante desde que o aluno consiga deixar claro que usou técnicas que aprendeu durante o curso.</p><p><strong>Apresentação de algo diferente</strong></p><p>Muito comum em áreas emergentes, esse tipo de trabalho geralmente é caracterizado por uma simples comparação de técnicas, geralmente comparações mais qualitativas do que quantitativas. Um estudo de caso é um bom exemplo (um estudo de caso que mostra que um método falhe em alguma situação específica pode ser muito valioso se conseguir justificar os motivos da falha). Esses trabalhos são comuns em áreas novas onde ainda não existem grandes bases de dados para confrontar com os resultados.</p><p>Para um trabalho desse tipo ser bem sucedido ele necessita de: 1) uma boa hipótese, 2) uma boa teoria para sustentar a hipótese e 3) uma boa argumentação para convencer o leitor, já que provavelmente não vai ter um bom suporte de dados ou experimentos para sustentar a hipótese.</p><p>Uma estratégia para melhorar as chances desse tipo de trabalho é estruturá-lo na forma de uma tabela comparativa. Onde ao invés de criar algo totalmente novo, crie um artefato que incorpore vários elementos relevantes de outros projetos similares gerando um artefato mais completo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/715/1*IpDs8yOqpDZT-IoGBJjejA.jpeg" /><figcaption>Retirado do livro <em>Metodologia de pesquisa</em> para <em>ciência da computação.</em></figcaption></figure><p><strong>Apresentação de algo presumivelmente melhor</strong></p><p>Áreas mais desenvolvidas que as anteriores acabam necessitando de qualquer nova abordagem seja comparada quantitativamente com outras da literatura. Na falta de bancos de dados bem consolidados, o autor do trabalho precisa gerar os dados para as comparações, isso gera dois problemas: 1) o trabalho para o autor acaba aumentando consideravelmente e 2) não necessariamente o autor vai conseguir gerar os melhores dados usando outro métodos para fazer uma comparação de boa qualidade. Para esse tipo de trabalho ser bem aceito é fundamental que o autor deixe bem claro como usou cada uma das técnicas e como isolou todos os fatores que poderiam afetar os resultados.<br> É necessário também se certificar que está comprando uma técnica com o estado da arte, comprar uma nova técnica com uma antiga que já foi superada não agrega muito ao debate. Também é possível mostrar que alguma abordagem funciona melhor em algum cenário específico, deixando claro qual é esse cenário e os motivos dela funcionar melhor.</p><p><strong>Apresentação de algo reconhecidamente melhor</strong></p><p>Aqui temos o nível mais maduro da categoria de dados empíricos, o trabalho é desenvolvido e colocado contra casos de teste bem padronizados e bem conhecidos pela comunidade. Esta acaba sendo a abordagem mais fácil já que os bancos de dados já existem e são robustos, os casos de testes também são conhecidos e já publicados. O maior problema é encontrar uma boa hipótese de trabalho( o que não é nada trivial).</p><p><strong>Apresentação de uma prova</strong></p><p>Aqui temos as áreas mais formais da computação, onde o avanço é feito por demonstrações e provas matemáticas.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f3b017bec443" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Aula 01 — Conhecendo o TensorFlow]]></title>
            <link>https://medium.com/ufrj-analytica/aula-01-conhecendo-o-tensorflow-64acd32d62a8?source=rss-2ff056cc9b28------2</link>
            <guid isPermaLink="false">https://medium.com/p/64acd32d62a8</guid>
            <category><![CDATA[keras]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[tensorflow]]></category>
            <dc:creator><![CDATA[Michel Caiafa]]></dc:creator>
            <pubDate>Sun, 13 Dec 2020 22:23:46 GMT</pubDate>
            <atom:updated>2021-01-09T18:13:37.791Z</atom:updated>
            <content:encoded><![CDATA[<h3>Seu primeiro projeto com TensorFlow</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*XiQR9iuI1iomPscAwUdOug.jpeg" /></figure><p>Sumário</p><ul><li>Introdução</li><li>O que é o TensorFlow e o Keras?</li><li>O que vamos fazer?</li><li>A importância da Normalização</li><li>Divisão dos dados</li><li>Criando um modelo sequencial</li><li>Método Compile</li><li>Rodando o modelo</li><li>O que são Epochs?</li></ul><p><strong>Introdução</strong></p><p>Hoje vamos abordar o <em>TensorFlow </em>em conjunto com a <em>API</em> <em>Keras</em>. Segundo relatório <a href="https://www.kaggle.com/kaggle-survey-2020">State of Data Science and Machine Learning 2020</a> desenvolvido pelo <em>Kaggle</em> o <em>TensorFlow</em> e Keras ocupam a segunda e terceira posições respectivamente de ferramentas mais utilizadas no mercado de <em>Data Science.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/733/1*8OKfOHSHxhZzVYFtti_Iwg.jpeg" /></figure><p>A <a href="https://www.tensorflow.org/learn">documentação</a> do <em>TensorFlow</em> possui bons tutoriais para iniciantes na ferramenta, mas faremos um caminho diferente, vamos usar a parte 2 do <em>livro </em><a href="https://www.amazon.com.br/Hands-Machine-Learning-Scikit-Learn-TensorFlow/dp/1492032646/ref=sr_1_1?__mk_pt_BR=%C3%85M%C3%85%C5%BD%C3%95%C3%91&amp;dchild=1&amp;keywords=Hands%E2%80%93On+Machine+Learning+with+Scikit%E2%80%93Learn+and+TensorFlow&amp;qid=1607900610&amp;s=books&amp;sr=1-1"><em>Hands–On Machine Learning with Scikit–Learn and TensorFlow </em></a><em>2e</em> do autor Aurelien Geron. Vamos começar! =)</p><p><strong>O que são o Tensor Flow e o Keras?</strong></p><p>Antes de tudo vamos definir o que é o <em>TensorFlow</em> e o que é o <em>Keras.</em></p><ul><li><em>TensorFlow </em>é uma biblioteca de código aberto (open source) para o desenvolver e criar modelos de<em> Machine Learning.</em></li><li><em>Keras </em>é uma<em> API </em>de alto nível para criar e desenvolver modelos no <em>TensorFlow</em>( pode ser usada em conjunto com outras bibliotecas também, mas não é nosso foco).</li></ul><p>O papel do <em>Keras</em> então é simplificar a utilização do<em> TensorFlow, </em>tornando mais simples, prático e produtivo de se trabalhar.</p><p><strong>O que vamos fazer?</strong></p><p>Em nosso primeiro projeto, vamos classificar roupas usando <em>fashion_mnist, </em>esse é um exemplo tirado diretamente do livro, mas ele é interessante por dois motivos, 1) conseguimos acessar ele diretamente pelo<em> TensorFlow/Keras </em>, 2) é um <em>dataset</em> pequeno(computadores menos potentes vão conseguir trabalhar com ele).</p><p>O conjunto de dados possui a seguinte estrutura:</p><ul><li>Possui 60 mil exemplares no conjunto de treinamento.</li><li>Possui 10 mil exemplares no conjunto de teste.</li><li>Cada exemplar é uma imagem 28x28 em tons de cinza de uma peça de roupa.</li><li>Existem 10 rótulos, cada peça de roupa é associada a apenas 1 rótulo.</li><li>Os rótulos são:<em> T-shirt/top, Trouser, Pullover, Dress, Coat,Sandal, Shirt, Sneaker, Bag e Ankle boot</em></li></ul><p><strong>A importância da Normalização</strong><br>Normalização/Escalonamento é um processo que busca manter as variáveis na mesma proporção. Imagine um conjunto de dados que tenha as variáveis altura e renda. A variável altura vai ser expressa em um número entre 1,30 e 2,00 na grande maioria dos casos. a Variável renda por outro lado pode estar no intervalo de 1000,00 até 10000,00. Como podemos ver a distância entre as variáveis é muito grande, uma pequena alteração na variável renda vai causar muito mais impacto no modelo do que uma grande alteração na altura. O processo de Normalização busca resolver esse problema, colocando os dados em uma nova escala igual, onde a proporção entre eles é mantida. Existem muitas formas de escalonar dados (vamos falar melhor sobre isso uma outra hora).</p><p><strong>Divisão dos dados</strong></p><p>Não existe um conjunto de validação no <em>Fashion Mnist</em>, isso é interessante porque abre espaço para a questão: como dividir a base de dados?</p><p>A estrutura clássica da divisão da base tem três categorias:</p><p><strong>Treino</strong>: O conjunto de treino é (vai conter aproximadamente 70% dos dados) é o conjunto onde os dados vão ser treinados.</p><p><strong>Validação</strong>: O conjunto de validação (vai conter uns 15% dos dados). Possui duas funções 1) gerar informação para otimização de hiperparâmetros, 2) selecionar os melhores modelos para o conjunto de validação. É possível que exista um conjunto muito grande de modelos sendo treinados e apenas os melhores vão ser aproveitados, também é comum os dados voltarem para o treinamento e os modelos receberem ajustes nos seus hiperparâmetros com base nos resultados que tiveram no conjunto de teste.</p><p><strong>Teste</strong>: O conjunto de teste (vai conter uns 15% dos dados) tem objetivo ser uma pré avaliação do seu modelo antes dele ser colocado em produção, diferente do conjunto de validação, nesta etapa não é feito ajustes nos modelos. Vão ser testados para avaliar se estão ou não adequados à tarefa. Em caso negativo, reiniciamos o processo do zero e refazemos as bases. Parece meio drástico mas é uma forma de evitar o overfitting e por consequência existir um desempenho ruim dos modelos em produção.</p><p>A forma clássica de dividir os dados é na proporção 70%(treino), 15%(validação),15%(teste). Devemos lembrar que cada caso é um caso e essa forma, não é uma verdade absoluta. Quando existem de fato muitos dados essa proporção acaba mudando, podendo ficar da seguinte forma 99%,1%,1%. Isso ocorre porque no conjunto de validação e no conjunto de testes queremos testar o desempenho do modelo, e não precisamos de tantos dados para checar avaliar.</p><p>OBS: Essa dica foi retirada do curso de<em> </em><a href="https://www.coursera.org/learn/neural-networks-deep-learning?specialization=deep-learning"><em>Deep Learning</em></a> do Andrew Y. Ng no <em>Coursera</em>.</p><p><strong>Criando um modelo sequencial</strong></p><p>O modelo sequencial(keras.models.Sequential()) é uma forma muito simples para construir redes neurais com fluxo linear, os dados de uma camada vai para a próxima camada. O modelo pode ser inteiro passado como parâmetro para o método Sequential, ou podemos usar o método add, para ir compondo a nossa rede, neste exemplo vamos construir usando o método add.</p><p>Flatten é uma método interessante, ele transforma sua matriz de dados, no caso 28 x 28, em um vetor unidimensional (28*28) para ser a entrada da rede.</p><p>Dense efetivamente adiciona camadas ocultas na rede, onde fornecemos o números de nós e também indicamos uma função de ativação.</p><pre>#Importando o TensorFlow<br>import tensorflow as tf<br>#Importando o Keras<br>from tensorflow import keras</pre><pre>#Fazendo Donwload do dataset<br>fashion_mnist = keras.datasets.fashion_mnist<br>(x_train_full, y_train_full),(x_test, y_test) = fashion_mnist.load_data()<br>#Legendas dos dados<br>class_names = [&quot;T-shirt/top&quot;, &quot;Trouser&quot;, &quot;Pullover&quot;, &quot;Dress&quot;, &quot;Coat&quot;,<br>&quot;Sandal&quot;, &quot;Shirt&quot;, &quot;Sneaker&quot;, &quot;Bag&quot;, &quot;Ankle boot&quot;]</pre><pre>print( &quot;Shape dos dados {}&quot;.format(x_train_full.shape))<br>print( &quot;Tipo dos dados {}&quot;.format(x_train_full.dtype))</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/510/1*h4Me63lsYEWnpguKgCqiqg.jpeg" /></figure><p>O que fizemos?<br>Importamos a biblioteca <em>TensorFlow </em>e importamos a <em>API Keras</em></p><p>Também fizemos o download o <em>dataset .</em></p><p>Criamos uma lista com as legendas das pelas de roupas.</p><p>Por fim, estamos vendo o nosso conjunto de dados e o seu tipo.</p><pre>#Separando os conjunto de treino e validação<br>#Aplicando a normalização no conjunto de teste<br>x_valid, x_train = x_train_full[:1000]/255.0, x_train_full[1000:]/255.0<br>y_valid, y_train = y_train_full[:1000], y_train_full[1000:]</pre><p>No nosso caso a normalização é bem simples, basta dividir todos os valores por 255.0 que vamos ter todos os dados entre 0 e 1.<br>A nossa divisão dos dados, estamos dividindo o conjunto de treino em dois, um para treino e um segundo para validação.</p><pre><br>#A primeira linha importa o modelo Sequential<br>model = keras.models.Sequential()</pre><pre>#A segunda linha é apenas um pré-processamento<br>#Converte as imagens(28x28) em um array 1D(28*28)</pre><pre>model.add(keras.layers.Flatten(input_shape=[28, 28]))</pre><pre>#Estamos usando duas camadas com 300 nós e a função Relu<br>model.add(keras.layers.Dense(300, activation=&quot;relu&quot;))<br>model.add(keras.layers.Dense(100, activation=&quot;relu&quot;))</pre><pre>#Para a camada de saída, estamos trabalhando com 10 nós<br>#Um para cada peça de roupa<br>#E como função de ativação, softmax<br>model.add(keras.layers.Dense(10, activation=&quot;softmax&quot;))</pre><pre>#O metodo summary mostra todas as camadas da rede<br>#None significa que pode aceitar qualquer tamanho<br>#Param inclui parâmetros treináveis e não treináveis<br>model.summary()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/654/1*h75-n9uw5qEKR1_qSlVlWg.jpeg" /></figure><p>Essa é uma das partes mais legais desse processo, o método add é o responsável por introduzir camadas na rede e usando o Keras, essa inserção e manipulação de camadas se torna muito mais simples.</p><pre>#Acessando lista das camadas<br>model.layers</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/680/1*JudaE1scDd4TP9TjSkamMQ.jpeg" /></figure><pre>#Acessando pelo Index<br>model.layers[1].name</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/117/1*waHoDrO2wuczrhZLEZAnuA.jpeg" /></figure><pre>#Acessando pelo nome<br>model.get_layer(&#39;dense&#39;).name</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/117/1*waHoDrO2wuczrhZLEZAnuA.jpeg" /></figure><pre>#Todos os parâmetros de uma camada podem ser acessados usando os métodos <br>#get_weights()<br>#set_weights()<br><br>weights, biases = model.layers[1].get_weights()<br><br>print(&quot;pesos {}&quot;.format(weights))<br>print(&quot;Bias {}&quot;.format(biases))</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/744/1*ZZJzShvNMrDYbdipqlRAOw.jpeg" /></figure><p><strong>Método Compile</strong></p><p>O método compile merece alguma atenção, nele definimos alguns hiperparâmetros da nossa rede, como a função de custo, o algoritmo que de otimização e métricas de avaliação. A questão de hiperparâmetros vai ser abordada com maior profundidade nas próximas publicações.</p><pre>#No metodo compile, você define a função de custo<br>#O otimizador<br>#E pode listar as metricas<br>#Olhar a documentação para mais detalhes<br>#https://keras.io/api/losses/<br>#https://keras.io/api/optimizers/<br>#https://keras.io/api/metrics/<br><br>model.compile(loss=&quot;sparse_categorical_crossentropy&quot;,<br>optimizer=&quot;sgd&quot;,<br>metrics=[&quot;accuracy&quot;])</pre><p><strong>Rodando o modelo</strong></p><p>Uma vez que preparamos os dados e montamos a rede, tudo que é iniciar o treinamento e isso é feito da seguinte forma.</p><pre>#Para treinar o modelo, temos o metodo fit.<br>#Esse comando pode ser simplificado omitindo o conjunto de validação<br><br>history = model.fit(x_train, y_train, epochs=30,validation_data=(x_valid, y_valid))</pre><p>Bem simples. Antes de prosseguir, vou chamar a atenção para variável <em>epochs</em>.<br>É uma variável importante, ela que vai dizer quanto tempo seu modelo vai rodar, cada <em>epochs </em>é um treinamento completo que os dados fizeram sobre o conjunto de treinamento, não temos como saber a principio quantas <em>epochs </em>vão ser necessárias para otimizar o modelo.</p><pre>#O método fit retorna um objeto history que contem<br>#history.param() lista dos parâmetros do treinamento<br>#history..epoch() lista com todas as épocas do treinamento<br>#history.histoy() contem o a perda e outras metricas para avaliação do modelo<br><br>import pandas as pd<br>import matplotlib.pyplot as plt<br>pd.DataFrame(history.history).plot(figsize=(8, 5))<br>plt.grid(True)<br>plt.gca().set_ylim(0, 1) # set the vertical range to [0-1]<br>plt.show()</pre><p>Uma vez que rodamos o modelos, vamos ter um objeto <em>history</em> que vai conter todas as informações sobre o treinamento, uma das coisas mais valiosa que esse objeto contem são as informações em <em>history.histoy()</em>, com essas informações podemos analisar o gráfico de perdas do modelo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/507/1*3NX4-ZAW1_-BgWh-oh74Ww.jpeg" /></figure><p>Por fim, vamos avaliar o desempenho do nosso modelo, aplicando o conjunto de teste.</p><pre>#Vamos aplicar nosso modelo ao conjunto de teste<br>model.evaluate(x_test, y_test)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/788/1*T5eGI7AqzGGLvuCNGDSQZw.jpeg" /></figure><p>Por hoje terminamos aqui, continuem acompanhando, esse foi apenas o inicio dessa serie de aulas.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=64acd32d62a8" width="1" height="1" alt=""><hr><p><a href="https://medium.com/ufrj-analytica/aula-01-conhecendo-o-tensorflow-64acd32d62a8">Aula 01 — Conhecendo o TensorFlow</a> was originally published in <a href="https://medium.com/ufrj-analytica">UFRJ Analytica</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>