Ciência de dados 2.0: arquitetura computacional e orquestração de sistemas agênticos em ambiente fintech
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,012 | 0,007 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,003 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».