Sumário estratégico

Ciência de Dados virou matéria de edital grande. Não aparece mais só como curiosidade de TI: aparece em controle externo, fiscal, Banco Central, Polícia Federal, tribunais, Câmara dos Deputados e CPNU. A banca quer que você saiba o conceito, mas também quer que você perceba a pegadinha técnica: métrica errada, etapa trocada, algoritmo no grupo errado, LGPD ignorada.

1. Raio-X dos editais

   O que mais cai e como priorizar o estudo
   p. 04
2. Dados, ciclo de vida e governança

   Dado, informação, qualidade, DMBOK, metadados e linhagem
   p. 06
3. Estatística aplicada

   Descritiva, probabilidade, amostragem, hipótese, correlação e regressão
   p. 08
4. SQL, relacional e NoSQL

   Modelagem, chaves, normalização, consultas e bancos não relacionais
   p. 10
5. DW, BI, OLAP e ETL

   Kimball, Inmon, estrela, floco, cubos e métricas
   p. 12
6. Big Data e engenharia de dados

   5 Vs, Hadoop, Spark, lake, lakehouse, batch e streaming
   p. 14
7. KDD, mineração e CRISP-DM

   Preparação, padrões, associação, classificação, clusterização e anomalias
   p. 16
8. Machine learning

   Modelos, métricas, overfitting, validação cruzada, PCA e viés
   p. 19
9. Deep learning, NLP, LLM e RAG

   Redes neurais, transformers, embeddings, prompt, RAG e MLOps
   p. 24
10. LGPD, jurisprudência e revisão final

    EC 115/2022, LGPD, ADI 6387, ADI 6649, Súmula 550 STJ e questões
    p. 28

O que você precisa sair sabendo

Dica do Fuffu

Se o edital trouxer análise de dados, estude Ciência de Dados como um bloco integrado: dados + estatística + banco + engenharia + mineração + ML + governança. A banca adora trocar o nome da disciplina para parecer novidade, mas o núcleo técnico se repete.

Prof. Affonsinho explica, Módulo 01

1 O que mais cai em concursos

Eu mapeei editais e provas recentes de bancas grandes, com foco em CPNU/FGV, Cebraspe e concursos de alto valor para controle, fiscal, tecnologia, segurança e tribunais. O resultado é menos misterioso do que parece: as bancas cobram Ciência de Dados em camadas. Primeiro, perguntam se você entende dado e banco. Depois, se domina DW/BI/ETL. Em seguida, entram mineração e aprendizado de máquina. Nos editais mais novos, aparecem IA generativa, LLM, RAG e governança de dados.

Alerta do Examinador

Quando a banca escreve análise de dados, não leia como sinônimo estreito de gráfico. Em edital, isso costuma puxar banco de dados, ETL, qualidade, visualização, estatística, mineração e ML. O nome é manso; o conteúdo vem com coturno.

Prof. Affonsinho explica, Módulo 01

1.1 Ordem inteligente de estudo

Se você tentar estudar Ciência de Dados como uma prateleira de palavras modernas, vira sopa de sigla. A ordem boa é outra: comece pelo que o dado é, passe pelo modo como ele é guardado, aprenda como ele entra no pipeline, entenda como vira análise, e só então vá para modelos. O edital não está pedindo magia. Está pedindo encadeamento técnico.

O vilão da aula

O PhD em Concursos vai tentar te derrubar com frase muito confiante e tecnicamente torta: "validação cruzada aumenta o conjunto de treinamento", "bag of words preserva contexto", "data lake é sempre dado tratado". Guarde: concurso difícil costuma cobrar a frase quase certa.

Prof. Affonsinho explica, Módulo 02

2 Dado, informação, conhecimento e inteligência

Dado é registro bruto: número, texto, imagem, áudio, log, evento, coordenada, clique, transação. Informação é dado processado e contextualizado. Conhecimento é informação interpretada, capaz de orientar decisão. Inteligência, em editais de governo, é a capacidade de usar conhecimento para ação estratégica, fiscalização, alocação de recursos ou formulação de política pública.

A escala clássica DIKW (Data, Information, Knowledge, Wisdom) aparece em Administração de Dados e Ciência da Informação. Em concursos, a banca gosta de perguntar se dado bruto já é conhecimento. Não é. Um CSV com milhões de linhas é só um depósito. Só vira informação quando há contexto, regra de negócio, qualidade mínima e finalidade.

Tipos de dados

• Estruturados: têm esquema rígido, campos definidos e tabulação. Exemplo: tabela relacional com CPF, data, valor e situação.
• Semiestruturados: têm marcação ou hierarquia flexível. Exemplo: JSON, XML, logs com chaves variáveis.
• Não estruturados: não seguem modelo tabular fixo. Exemplo: texto livre, imagem, áudio, vídeo, PDF digitalizado.
• Dados abertos: publicados em formato acessível, preferencialmente legível por máquina, com licença e documentação para reuso.
• Dados pessoais: identificam ou tornam identificável pessoa natural. A LGPD entra aqui.

Ciclo de vida

O ciclo cobrado em prova costuma vir assim: coleta, ingestão, armazenamento, tratamento, integração, análise, visualização, compartilhamento, arquivamento e descarte. Em órgão público, acrescente finalidade, base legal, segurança, auditoria e transparência.

Dica do Raffinha

Na prova, leia o verbo. Coletar não é tratar; armazenar não é integrar; publicar dado aberto não é jogar planilha sem dicionário num portal. Dicionário de dados, formato legível por máquina e licença importam.

Prof. Affonsinho explica, Módulo 02

2.1 Qualidade, metadados e DMBOK

O DAMA-DMBOK, referência clássica em gestão de dados, organiza a disciplina em áreas como governança, arquitetura, modelagem, armazenamento, segurança, integração, qualidade, metadados, data warehouse e business intelligence. Concurso não precisa cobrar a sigla com carinho; ele cobra a lógica: dado é ativo organizacional e precisa de dono, regra, catálogo, qualidade e controle.

Metadados são dados sobre dados: significado, origem, formato, unidade, proprietário, data de atualização, regra de negócio, sensibilidade, qualidade e linhagem. Linhagem de dados (data lineage) mostra de onde o dado veio, por quais transformações passou e onde foi usado. Para auditoria, isso vale ouro: sem linhagem, ninguém sabe se o painel confia em uma base oficial ou numa planilha remendada.

Bate-papo com o Seu Teoffilo

Governança de dados não é só comitê bonito. É decisão institucional: quem é dono do dado, quem pode alterar, qual padrão vale, como se mede qualidade, como se registra acesso, quando descarta e como prova conformidade. Em órgão público, isso conversa diretamente com LGPD, LAI, segurança da informação e controle interno.

Prof. Affonsinho explica, Módulo 03

3 Estatística que banca cobra

Ciência de Dados sem estatística vira painel com confiança demais e base de menos. Concurso normalmente cobra estatística descritiva, probabilidade, amostragem, inferência, regressão e interpretação de gráficos. Não precisa transformar a aula em tratado matemático, mas precisa saber o que cada medida responde.

Probabilidade e amostragem

Probabilidade mede incerteza. Amostragem escolhe parte da população para inferir algo sobre o todo. Em concurso, cuidado com viés de seleção: amostra grande e enviesada continua ruim. Muito dado não corrige coleta torta. Uma pesquisa com milhões de registros de uma única fonte pode representar mal a população, e esse ponto aparece em auditoria, políticas públicas e segurança.

Alerta do Examinador

Correlação não implica causalidade. Duas variáveis podem andar juntas por causa de variável omitida, tendência temporal, sazonalidade ou puro acaso. Modelo preditivo bom em correlação ainda pode ser péssimo para justificar política pública causal.

Prof. Affonsinho explica, Módulo 03

3.1 Hipótese, correlação e regressão

Teste de hipótese parte de uma hipótese nula (H0) e avalia se há evidência para rejeitá-la. O p-valor é a probabilidade de observar resultado tão extremo quanto o obtido, assumindo que H0 é verdadeira. Ele não mede a probabilidade de H0 ser verdadeira. Essa frase derruba muita gente porque parece detalhe, mas é o detalhe.

Erros de decisão

Regressão

Regressão linear estima uma variável dependente contínua a partir de uma ou mais variáveis explicativas. A reta ajustada minimiza, no método dos mínimos quadrados, a soma dos quadrados dos resíduos. Regressão logística, apesar do nome, é usada para classificação binária, estimando probabilidade via função logística.

• Coeficiente: efeito estimado de uma variável, mantendo as demais constantes.
• R²: proporção da variância explicada pelo modelo, com cuidado para não virar fetiche.
• Resíduo: diferença entre valor observado e valor previsto.
• Multicolinearidade: variáveis explicativas muito correlacionadas, dificultando interpretação.

Pegadinha da Dotôra Soffya

Regressão logística não é regressão para prever valor contínuo. Ela modela a probabilidade de classe, normalmente 0/1. Banca coloca "regressão logística é técnica de regressão para variável numérica contínua" e espera que você aceite pelo nome. Não aceite.

Prof. Affonsinho explica, Módulo 04

4 Banco relacional e SQL

O modelo relacional, associado a Edgar F. Codd, organiza dados em relações (tabelas), com linhas (tuplas) e colunas (atributos). Ele domina sistemas transacionais e também aparece em análise de dados porque SQL continua sendo linguagem central de extração, transformação e investigação.

Peças principais

• Tabela: conjunto de registros sobre uma entidade ou relacionamento.
• Chave primária: identifica unicamente cada linha.
• Chave estrangeira: referencia chave de outra tabela, garantindo integridade referencial.
• Índice: estrutura que acelera consulta, com custo de armazenamento e atualização.
• Visão (view): consulta armazenada, lógica ou materializada conforme o SGBD.
• Transação: unidade lógica de trabalho, com propriedades ACID.

GROUP BY agrega por grupos; HAVING filtra após agregação; WHERE filtra antes. JOIN combina tabelas: INNER retorna interseção; LEFT mantém todos da esquerda; RIGHT mantém todos da direita; FULL mantém de ambos. Em análise, funções de janela (window functions) permitem ranquear, somar acumulado e calcular média móvel sem colapsar linhas.

Prof. Affonsinho explica, Módulo 04

4.1 Normalização, NoSQL e escolha técnica

Normalização reduz redundância e anomalias em bancos relacionais. A 1FN elimina grupos repetidos; a 2FN trata dependência parcial em chave composta; a 3FN trata dependência transitiva. Em sistemas analíticos, porém, a busca por desempenho pode justificar desnormalização controlada, especialmente em modelo dimensional.

NoSQL surgiu para lidar com escala, flexibilidade de esquema e distribuição. A ideia central não é "substituir SQL"; é escolher o modelo coerente com acesso, volume, latência, consistência e evolução do dado. Em arquitetura distribuída, surge o debate CAP: diante de partição de rede, sistemas distribuídos precisam equilibrar consistência e disponibilidade.

Dica do Coach Jeff

Na hora da prova, pergunte: qual é o padrão de acesso? Se a questão fala em relacionamento profundo entre pessoas, empresas e operações suspeitas, grafo aparece forte. Se fala em JSON flexível de aplicação web, documento. Se fala em cache ultrarrápido, chave-valor.

Prof. Affonsinho explica, Módulo 05

5 Data warehouse e BI

Business Intelligence (BI) é o conjunto de processos, tecnologias e práticas para transformar dados em informação gerencial. Data warehouse (DW) é repositório analítico, integrado, orientado por assunto, variante no tempo e não volátil, formulação clássica de Bill Inmon. Já Ralph Kimball popularizou a abordagem dimensional por data marts integrados, com fatos e dimensões. As bancas adoram essa dupla.

Fatos, dimensões e granularidade

• Tabela fato: registra evento mensurável. Exemplo: venda, pagamento, atendimento, fiscalização.
• Medida: número analisável. Valor, quantidade, tempo, pontuação.
• Dimensão: contexto da medida. Tempo, local, produto, órgão, contribuinte, canal.
• Granularidade: nível de detalhe do fato. Por item de nota, por nota, por dia, por mês.

OLAP permite análise multidimensional: slice, dice, drill-down, roll-up e pivot. Ele serve para consulta analítica, não para registrar transação diária. OLTP é operacional, transacional, normalizado; OLAP é analítico, histórico e orientado à consulta.

Alerta do Examinador

Se a assertiva disser que OLAP atualiza registros operacionais em tempo real ou que DW é altamente volátil, está errada. DW é voltado à análise histórica; volatilidade é traço de sistema transacional, não de repositório analítico clássico.

Prof. Affonsinho explica, Módulo 05

5.1 ETL/ELT, dashboards e ferramentas

ETL significa Extract, Transform, Load: extrai da origem, transforma em área intermediária e carrega no destino. ELT carrega primeiro e transforma depois, geralmente explorando poder computacional do destino, como data lakehouse ou warehouse em nuvem. A diferença não é estética; muda governança, custo, rastreabilidade e onde a regra de negócio é aplicada.

BI e dashboards

Power BI, Tableau, Qlik Sense e Looker Studio aparecem em editais como ferramentas de visualização e análise exploratória. O candidato não precisa decorar cada botão, salvo edital explícito, mas precisa saber princípios: escolher gráfico adequado, evitar escala enganosa, preservar contexto, indicar fonte, destacar métrica principal, permitir filtros e manter rastreabilidade.

Data storytelling é a apresentação narrativa de evidências com dados. Não é enfeitar gráfico; é guiar a atenção para pergunta, método, achado, incerteza e consequência. Em prova, storytelling costuma aparecer com visualização, painéis, indicadores e comunicação de resultados.

Dica do Raffinha

Dashboard bom responde pergunta de negócio. Dashboard ruim só acumula gráfico. Em concurso, procure o triângulo: métrica correta, visual adequado, decisão apoiada.

Prof. Affonsinho explica, Módulo 06

6 Big Data: 5 Vs e arquitetura

Big Data não é sinônimo de "muitos dados" em planilha grande. É o conjunto de desafios e tecnologias para lidar com dados em escala, heterogeneidade e velocidade que excedem ferramentas tradicionais. A tríade inicial era volume, variedade e velocidade. Depois vieram veracidade e valor, formando os 5 Vs mais cobrados.

Hadoop

O ecossistema Hadoop popularizou processamento distribuído em clusters de máquinas comuns. Componentes clássicos: HDFS (sistema de arquivos distribuído), MapReduce (modelo de processamento em etapas map e reduce), YARN (gerenciamento de recursos) e ferramentas como Hive, Pig, HBase e Sqoop.

NameNode guarda metadados do HDFS; DataNodes armazenam blocos; Secondary NameNode faz checkpoints periódicos do namespace e ajuda a controlar os arquivos de edição, mas não é substituto automático de alta disponibilidade do NameNode.

Pegadinha da Dotôra Soffya

Secondary NameNode não é "backup quente" nem failover automático do NameNode. Ele consolida checkpoints. Se a assertiva prometer alta disponibilidade só por existir Secondary NameNode, pode riscar sem remorso.

Prof. Affonsinho explica, Módulo 06

6.1 Spark, data lake, lakehouse e data mesh

Apache Spark é motor de processamento distribuído em memória, com APIs para batch, streaming, SQL, MLlib e grafos. Ele não é apenas "Hadoop novo"; pode rodar sobre HDFS, S3, Kubernetes e outros ambientes. A banca costuma dizer que Spark processa exclusivamente em disco ou que MapReduce é sempre mais rápido para iteratividade. Cuidado.

Batch e streaming

Batch processa lotes periódicos: diário, horário, mensal. Streaming processa eventos contínuos ou micro-lotes: fraude, sensores, monitoramento, logs. Em prova, streaming não significa ausência de armazenamento; significa processamento orientado a fluxo e latência baixa.

Lambda architecture separa camada batch e camada speed; Kappa architecture simplifica com fluxo único de eventos. O edital pode não cobrar esses nomes, mas o raciocínio cai quando fala em reprocessamento histórico, baixa latência e consistência de resultados.

Bate-papo com o Seu Teoffilo

Data lake sem catálogo, qualidade, segurança e linhagem vira depósito escuro. A moda muda o nome, mas a responsabilidade não some: quem usa dado para decisão pública precisa provar origem, transformação, acesso e finalidade.

Prof. Affonsinho explica, Módulo 07

7 Mineração de dados, KDD e CRISP-DM

Data mining é descoberta de padrões úteis em grandes conjuntos de dados por estatística, aprendizado de máquina e inteligência artificial. Em sentido amplo, muita gente usa data mining como todo o processo. Em sentido técnico, especialmente em Fayyad, Piatetsky-Shapiro e Smyth (1996), a mineração é uma etapa dentro do KDD (Knowledge Discovery in Databases), processo completo de descoberta de conhecimento.

KDD

1. Seleção: escolhe dados relevantes.
2. Pré-processamento: limpa ruído, ausentes, inconsistências e duplicidades.
3. Transformação: muda formato, escala, atributos e representação.
4. Mineração: aplica algoritmos para encontrar padrões.
5. Interpretação e avaliação: valida se o padrão é útil, compreensível e acionável.

CRISP-DM

O CRISP-DM é uma metodologia prática de projetos de mineração de dados. Suas fases são: entendimento do negócio, entendimento dos dados, preparação dos dados, modelagem, avaliação e implantação. É iterativo: você pode voltar fases quando descobre problema de dados ou de objetivo.

Prof. Affonsinho explica, Módulo 07

7.1 Classificação, regressão, clusterização, associação e anomalias

As tarefas de mineração aparecem em praticamente todo edital técnico. A prova, quase sempre, tenta misturar supervisionado e não supervisionado. Vamos deixar isso amarrado.

Regras de associação

Em regras do tipo X -> Y, suporte mede frequência conjunta de X e Y no conjunto de dados; confiança mede, dado X, a chance de Y aparecer; lift compara a associação observada com a esperada por acaso. Lift maior que 1 indica associação positiva.

Anomalia, ruído e outlier

Outlier é valor distante do padrão. Pode ser erro, fraude, evento raro ou dado legítimo. Ruído é variação irrelevante ou erro que atrapalha o sinal. Em mineração, não se apaga outlier automaticamente. Primeiro se entende o fenômeno. Em auditoria, o outlier pode ser justamente o achado.

Alerta do Examinador

k-means é clusterização não supervisionada baseada em centroides. A banca pode dizer que ele exige rótulos prévios ou que descobre automaticamente o melhor número de grupos. Não exige rótulo; e o valor de k precisa ser definido ou escolhido por critério externo.

Prof. Affonsinho explica, Módulo 07

7.2 Preparação de dados e engenharia de atributos

Pré-processamento é onde projeto real ganha ou perde. Em prova Cebraspe, ele aparece como limpeza, tratamento de ausentes, outliers, normalização, padronização, discretização, codificação, integração, deduplicação e seleção de atributos. Não é perfumaria; é parte central do método.

Vazamento de dados

Data leakage ocorre quando informação indisponível no momento da previsão entra no treino ou na validação. Exemplo: prever inadimplência usando uma coluna preenchida depois da cobrança. O modelo fica lindo no laboratório e inútil no mundo real. Em concurso avançado, leakage aparece quando a preparação é feita antes de separar treino e teste.

Pegadinha da Dotôra Soffya

Normalizar a base inteira antes do split pode vazar informação do teste para o treino, porque média, mínimo, máximo ou desvio do conjunto de teste entram indiretamente no treinamento. O pipeline correto ajusta transformações no treino e aplica no teste.

Prof. Affonsinho explica, Módulo 08

8 Machine learning: famílias e modelos

Aprendizado de máquina é a construção de modelos capazes de aprender padrões a partir de dados, sem programação explícita de todas as regras. A doutrina técnica de Hastie, Tibshirani e Friedman, Christopher Bishop, Kevin Murphy e James, Witten, Hastie e Tibshirani organiza o tema em predição, inferência, regularização, validação e generalização.

Modelos supervisionados clássicos

• Regressão linear: prevê valor contínuo; interpretável; sensível a pressupostos.
• Regressão logística: classificação binária; retorna probabilidade.
• Árvore de decisão: regras hierárquicas; interpretável; tende a overfitting se não podada.
• Random Forest: conjunto de árvores com aleatoriedade; reduz variância.
• Gradient Boosting: árvores sequenciais corrigindo erros anteriores; alto desempenho, cuidado com ajuste fino.
• SVM: separa classes por hiperplano; kernels permitem fronteiras não lineares.
• Naive Bayes: probabilístico; assume independência condicional; forte em texto como baseline.

Prof. Affonsinho explica, Módulo 08

8.1 Métricas, matriz de confusão e validação

Modelo sem métrica correta é chute com planilha bonita. Para classificação binária, a base é a matriz de confusão: verdadeiro positivo (TP), falso positivo (FP), verdadeiro negativo (TN) e falso negativo (FN). A partir dela nascem as métricas mais cobradas.

Treino, validação e teste

Treino ajusta o modelo. Validação ajuda a escolher hiperparâmetros. Teste estima desempenho final em dados não vistos. Validação cruzada k-fold divide os dados em k partes; em cada rodada, treina em k-1 partes e valida na parte restante. A métrica final é agregada. Ela não "aumenta" artificialmente o conjunto de dados; ela avalia generalização de modo mais robusto.

Alerta do Examinador

Em base de fraude com 1% de casos positivos, um modelo que sempre diz "não fraude" tem 99% de acurácia e utilidade quase nula. A banca ama esse truque. Olhe precisão, recall, F1, matriz de confusão e custo do erro.

Prof. Affonsinho explica, Módulo 08

8.2 Overfitting, underfitting, viés e variância

Overfitting ocorre quando o modelo aprende ruído e particularidades do treino, com ótimo desempenho nos dados de treinamento e mau desempenho em dados novos. Underfitting ocorre quando o modelo é simples demais para capturar o padrão, tendo desempenho ruim até no treino. A tensão clássica é viés-variância: modelo muito rígido tem alto viés; modelo muito flexível tem alta variância.

PCA e redução de dimensionalidade

PCA (Principal Component Analysis) é técnica não supervisionada de redução de dimensionalidade. Ela cria componentes ortogonais que capturam máxima variância dos dados. Não é classificador, não exige rótulos e não "seleciona as melhores colunas" exatamente como seleção de atributos; ela cria novas combinações lineares das variáveis originais.

Pegadinha da Dotôra Soffya

PCA não é método supervisionado, não prevê classe e não escolhe variável-alvo. Se a questão disser que PCA usa rótulos para maximizar separação entre classes, está descrevendo outra família de técnica, não PCA clássico.

Prof. Affonsinho explica, Módulo 08

8.3 Clusterização, interpretabilidade e ética técnica

Modelos não supervisionados procuram estrutura sem rótulos prévios. k-means minimiza distância a centroides; DBSCAN identifica regiões densas e ruído; clusterização hierárquica cria árvore de agrupamentos. A avaliação pode usar medidas internas, como silhueta, ou validação externa quando há rótulo de referência.

Interpretabilidade

Concurso público gosta de mencionar "caixa-preta". Modelos como regressão linear e árvores simples são mais interpretáveis; redes profundas e ensembles complexos tendem a exigir métodos de explicação. Em uso público, interpretabilidade conversa com motivação do ato administrativo, transparência, auditoria, contestabilidade e LGPD.

Concept drift ocorre quando a relação entre variáveis muda ao longo do tempo. Data drift ocorre quando a distribuição dos dados de entrada muda. Em 2026, isso importa muito em modelos públicos porque legislação, comportamento social e fraude mudam rápido.

Bate-papo com o Seu Teoffilo

Modelo que afeta direito de pessoa não pode ser tratado como brinquedo estatístico. Ele precisa de finalidade legítima, base legal, qualidade de dados, monitoramento, revisão e registro. Técnica e direito andam juntos porque o erro técnico vira erro administrativo.

Prof. Affonsinho explica, Módulo 09

9 Deep learning, NLP e IA generativa

Deep learning é subcampo de machine learning baseado em redes neurais profundas, com múltiplas camadas capazes de aprender representações. A referência técnica clássica é Goodfellow, Bengio e Courville. Em prova, aparecem perceptron, função de ativação, backpropagation, gradiente descendente, redes convolucionais, redes recorrentes, transformers e embeddings.

NLP

Processamento de linguagem natural, na linha de Jurafsky e Martin, trata texto e fala computacionalmente. Técnicas clássicas: tokenização, stemming, lematização, stopwords, n-gramas, TF-IDF e bag of words. Bag of words representa texto pela frequência de termos e, no modelo básico, ignora ordem e contexto. Se a assertiva disser que preserva contexto, errou bonito.

Embeddings representam palavras, frases ou documentos em vetores densos, aproximando itens semanticamente semelhantes. Eles são base para busca semântica, recomendação, classificação de texto e RAG.

Pegadinha da Dotôra Soffya

Bag of words não preserva ordem sintática nem contexto semântico. Ele transforma texto em contagem ou presença de termos. TF-IDF melhora ponderação, mas continua sem entender contexto como um transformer.

Prof. Affonsinho explica, Módulo 09

9.1 LLM, RAG, prompt, LLMOps e MLOps

LLM é grande modelo de linguagem treinado em grande escala para prever e gerar texto, código ou conteúdo multimodal. IA generativa é família mais ampla de modelos que geram novos dados: texto, imagem, áudio, vídeo, código. Em concursos de 2025 em diante, o tema passou a entrar junto de transformers, redes neurais, NLP, prompt, RAG e governança.

RAG sem fantasia

RAG não torna o modelo infalível. Ele reduz alucinação ao recuperar trechos relevantes de uma base externa e dar contexto ao modelo. Ainda assim, pode errar por indexação ruim, documento desatualizado, chunk mal dividido, busca semântica fraca, instrução ambígua ou geração que não respeita a fonte.

Alerta do Examinador

Fine-tuning altera pesos do modelo; RAG consulta base externa no momento da resposta. São estratégias diferentes. Questão que chama RAG de treinamento adicional obrigatório está misturando conceitos.

Prof. Affonsinho explica, Módulo 10

10 LGPD, Constituição e decisões automatizadas

Ciência de Dados em concurso público não termina no algoritmo. O uso de dados pelo Estado precisa respeitar a Constituição, a LGPD e a jurisprudência. A EC 115/2022 incluiu a proteção de dados pessoais no art. 5º, LXXIX, da Constituição, atribuiu à União organizar e fiscalizar a proteção e o tratamento de dados pessoais (art. 21, XXVI) e fixou competência privativa da União para legislar sobre proteção e tratamento de dados pessoais (art. 22, XXX).

Danilo Doneda, Laura Schertel Mendes, Bruno Bioni e Stefano Rodotà ajudam a entender a proteção de dados como tutela da pessoa na sociedade informacional, não apenas sigilo de arquivo. O núcleo é autodeterminação informativa, controle, finalidade, transparência e prevenção de abuso.

Bate-papo com o Seu Teoffilo

Em órgão público, a pergunta não é "tenho dado?". A pergunta correta é: tenho competência legal, finalidade pública, necessidade, transparência, segurança, registro e proporcionalidade? Dado público não é dado sem dono; dado pessoal em base pública continua protegido.

Prof. Affonsinho explica, Módulo 10

10.1 Precedentes que podem cair

Aqui eu vou ser cirúrgico. Ciência de Dados em concurso jurídico-administrativo costuma cruzar com proteção de dados, crédito, compartilhamento estatal, transparência e decisões automatizadas. Guarde os precedentes com número real.

Como a banca transforma isso em questão

• Interesse público não autoriza coleta ilimitada.
• Compartilhamento entre órgãos não dispensa finalidade, necessidade e publicidade.
• Decisão automatizada não fica imune a revisão, transparência e contestação.
• Modelo estatístico lícito não autoriza dado sensível, excessivo ou incorreto.
• Dados anonimizados podem sair da LGPD, mas anonimização precisa ser razoavelmente irreversível, considerando meios técnicos disponíveis.

Pegadinha da Dotôra Soffya

A Súmula 550 do STJ não diz que scoring pode fazer qualquer coisa. Ela dispensa consentimento prévio naquele método estatístico específico, mas mantém direito a esclarecimento, transparência e responsabilidade por dados abusivos, sensíveis, excessivos ou incorretos.

Mapa mental

Dica do Fuffu

Se faltar tempo, revise o mapa de trás para frente: LGPD e IA moderna são o tempero novo; ML e mineração são o miolo técnico; banco, BI e dados são a base que mais se repete.

Pontos que derrubam candidato bom

Fontes-base da aula

Editais e provas recentes de CPNU/FGV e Cebraspe; DAMA-DMBOK; Fayyad, Piatetsky-Shapiro e Smyth; Chapman/CRISP-DM; Kimball; Inmon; Hastie, Tibshirani e Friedman; Bishop; Murphy; Goodfellow, Bengio e Courville; Jurafsky e Martin; Kleppmann; LGPD; EC 115/2022; STF ADI 6387; STF ADI 6649 e ADPF 695; STJ REsp 1.419.697/RS e Súmula 550.