Ciência de dados 2.0: arquitetura computacional e orquestração de sistemas agênticos em ambiente fintech
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A consolidação de modelos de linguagem de grande escala (LLMs) e sistemas baseados em agentes autônomos redefine os fundamentos operacionais da Ciência de Dados contemporânea. Este estudo investiga a emergência da denominada Ciência de Dados 2.0 como paradigma arquitetural orientado à orquestração computacional, governança distribuída e otimização econômica de sistemas inteligentes. A pesquisa foi conduzida por meio de revisão sistemática estruturada segundo o protocolo PRISMA, contemplando publicações indexadas entre 2023 e 2026 nas bases IEEE Xplore, ACM Digital Library, Scopus e arXiv. Os resultados evidenciam a transição de pipelines batch monolíticos para arquiteturas distribuídas baseadas em Data Mesh, Lakehouse transacional (Apache Iceberg), bancos vetoriais, Retrieval-Augmented Generation (RAG), Feature Stores em tempo real e práticas de FinOps. Propõe-se o Framework O³ (Orquestração, Observabilidade e Otimização) como modelo integrador capaz de articular desempenho algorítmico, eficiência econômica, rastreabilidade e conformidade regulatória. A validação em estudo de caso aplicado em ambiente fintech orientado a crédito digital demonstra redução significativa de latência, otimização de custo por inferência e aumento da robustez decisional. Conclui-se que a Ciência de Dados 2.0 configura-se como disciplina arquitetural sistêmica, superando a abordagem centrada exclusivamente em modelagem estatística. Versão publicada na Revista Datapoint:https://www.fatecrl.edu.br/revista/datapoint/index.php/dp/article/view/6
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,005 | 0,001 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,007 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle