A deduplicação objetiva identificar e combinar registros que representam a mesma entidade no mundo real. A etapa da deduplicação que tem por objetivo agregar registros que apresentam semelhança, reduzindo o domínio de pares a serem comparados nas etapas posteriores é:
- A)Blocagem.
Correta: a blocagem cria grupos de registros semelhantes para reduzir o número de comparações nas etapas seguintes.
- B)Otimização.
Errada: otimização é um conceito amplo de melhoria de desempenho, mas não nomeia essa etapa específica da deduplicação.
- C)Comparação.
Errada: comparação é a fase em que os registros candidatos já são analisados, não a etapa que reduz o universo de pares.
- D)Classificação.
Errada: classificação não é o termo técnico usado para agrupar registros candidatos na deduplicação.
- E)Padronização.
Errada: padronização trata da normalização dos dados, como nomes e formatos, mas não da redução de pares para comparação.
Gabarito: A
Na deduplicação, o objetivo é descobrir quais registros realmente falam da mesma pessoa, empresa ou objeto no mundo real, mesmo que estejam escritos de jeitos diferentes. Para isso, o processo costuma acontecer em etapas: primeiro vem a preparação dos dados, depois um filtro para reduzir o universo de comparações, e só então a análise mais pesada dos pares candidatos. A etapa perguntada na questão é justamente a que agrupa registros parecidos para diminuir a quantidade de pares que serão comparados depois. Isso é importante porque, em bases grandes, comparar tudo com tudo seria caro e lento. Então, a ideia é fazer uma triagem inteligente antes da comparação detalhada. Esse agrupamento preliminar é chamado de blocagem. Em vez de olhar a base inteira como um enorme “quem é quem”, você cria blocos com registros semelhantes e compara apenas dentro deles. É uma técnica clássica em record linkage e entity resolution, muito usada em Big Data para ganhar desempenho sem perder qualidade de forma absurda. Por isso, o gabarito é a letra A. As outras etapas podem aparecer no fluxo da deduplicação, mas a que reduz o domínio de pares candidatos, organizando registros semelhantes em grupos, é a blocagem.