Ciência de dados 2.0 arquitetura computacional e orquestração de sistemas agênticos em ambiente fintech
##plugins.themes.bootstrap3.article.sidebar##
##plugins.themes.bootstrap3.article.main##
Resumo
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.
Downloads
##plugins.themes.bootstrap3.article.details##
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Os direitos autorais dos artigos publicados pertencem à Revista Datapoint e seguem o padrão Creative Commons (CC BY), que permite o remixe, adaptação e criação de obras derivadas do original, mesmo para fins comerciais. As novas obras devem conter menção ao(s) autor(es) nos créditos.
Referências
BOMMASANI, R. et al. On the opportunities and risks of foundation models. Stanford University, 2021.
BRASIL. Lei n° 13.709, de 14 de agosto de 2018. Lei Geral de Proteção de Dados Pessoais (LGPD). Brasília, DF: Presidência da República, 2018.
CAVOUKIAN, A. Privacy by design: the 7 foundational principles. Information and Privacy Commissioner of Ontario, 2011.
DEHGHANI, Z. Data Mesh: Delivering Data-Driven Value at Scale. Sebastopol: O’Reilly Media, 2022.
DOSHI-VELEZ, F.; KIM, B. Towards a rigorous science of interpretable machine learning. arXiv, 2017.
EUROPEAN COMMISSION / EUROPEAN PARLIAMENT. Regulation on Artificial Intelligence (AI Act). Brussels: European Union, 2024.
FINOPS FOUNDATION. The FinOps Framework. 2023.
FLORIDI, L. et al. AI4People—An ethical framework for a good AI society: opportunities, risks, principles, and recommendations. Minds and Machines, v. 28, p. 689–707, 2018.
KLEPPMANN, M. Designing Data-Intensive Applications: The Big Ideas Behind Reliable, Scalable, and Maintainable Systems. Sebastopol: O’Reilly Media, 2017.
LEWIS, M. et al. Retrieval-augmented generation for knowledge-intensive NLP tasks. Proceedings of NeurIPS, 2020.
LIBERATI, A. et al. The PRISMA statement for reporting systematic reviews and meta-analyses of studies that evaluate health care interventions. BMJ, v. 339, b2700, 2009.
MOHER, D. et al. Preferred Reporting Items for Systematic Reviews and Meta-Analyses: The PRISMA Statement. PLoS Medicine, v. 6, n. 7, e1000097, 2009.
PAGE, M.J. et al. PRISMA 2020 explanation and elaboration: updated guidance and exemplars for reporting systematic reviews. BMJ, v. 372, n. 71, 2021.
PETTICREW, M.; ROBERTS, H. Systematic Reviews in the Social Sciences: A Practical Guide. Malden: Wiley-Blackwell, 2006.
REIS, J.; HOUSLEY, M. Fundamentals of Data Engineering: Plan and Build Robust Data Systems. Sebastopol: O’Reilly Media, 2024.
SIGELMAN, B.; BARROS, A. et al. Dapper, a large-scale distributed systems tracing infrastructure. Google Research, 2010.
STRUBELL, E.; GANESH, A.; MCCALLUM, A. Energy and policy considerations for deep learning in NLP. ACL, 2019.
WOOLDRIDGE, M. An Introduction to MultiAgent Systems. Wiley, 2009.
YAO, S.; BUTTERWICK, J.; et al. ReAct: Synergizing reasoning and acting in language models. ACM Transactions on Intelligent Systems, 2023.
ZHU, X. et al. GraphRAG: Integrating knowledge graphs with retrieval-augmented generation. Journal of Artificial Intelligence Research, 2024.
WORLD ECONOMIC FORUM. Future of Jobs Report 2025. Geneva: WEF, 2025.