Arquitetura de Dados

Módulo 1: Fundamentos e Estratégia de Dados

Governança de Dados 

Ao final da disciplina, os alunos deverão ser capazes de:

• Analisar e contextualizar a importância da governança de dados no ambiente corporativo.

• Analisar criticamente situações e problemas;

• Desenvolver e implementar frameworks de governança de dados alinhados aos objetivos organizacionais.

• Criar e aplicar políticas, padrões e procedimentos específicos de governança de dados.

• Garantir a qualidade, segurança e confiabilidade dos dados;

• Realizar avaliações de conformidade (compliance) e de risco (risk assessment) em relação à governança de dados.

• Integrar conceitos de governança de dados com as exigências legais de proteção de dados.

• Adaptar e inovar em práticas de governança de dados considerando a ética, agilidade e gerência de mudanças.

• Comunicar-se de forma eficaz, trabalhar em equipe e adaptar-se a novas situações e desafios de GD.

Modelagem e Qualidade de Dados

Ao final da disciplina, os alunos deverão ser capazes de:

• Identificar e analisar requisitos de informação para sistemas de dados

• Compreender e classificar diferentes tipos de dados

• Desenvolver e manter modelos conceituais, lógicos e físicos de dados

• Implementar políticas e procedimentos de modelagem de dados

• Utilizar técnicas de Forward e Reverse Engineering em modelagem de dados

• Aplicar técnicas para garantir a qualidade dos dados

• Implementar procedimentos operacionais de gestão e qualidade de dados

• Desenvolver e manter catálogos de dados e metadados

• Implementar estratégias para manutenção e teste de bancos de dados

Segurança e Gestão de Dados

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender e gerenciar o ciclo de vida do dado.

• Implementar modelos operacionais de gerenciamento de dados

• Aplicar princípios de confidencialidade, integridade e disponibilidade de dados

• Implementar medidas de segurança ao longo do ciclo de vida dos dados

• Selecionar e implementar controles de segurança de dados apropriados

• Explicar os conceitos, benefícios e desafios da gestão de dados

• Utilizar repositórios e sistemas de versionamento para modelos de dados

• Implementar processos de auditoria e monitoramento de dados.

• Desenvolver estratégias de mitigação de riscos e garantir conformidade com regulamentações de dados

• Aplicar boas práticas para garantir a confidencialidade, integridade e disponibilidade dos dados

Estratégia de Dados

Ao final da disciplina, os alunos deverão ser capazes de:

• Identificar necessidades estratégicas de dados nas organizações

• Desenvolver uma cultura orientada a dados (Data Driven)

• Promover a alfabetização de dados (Data Literacy)

• Criar e gerenciar produtos de dados

• Desenvolver e implementar estratégias de dados

• Alinhar estratégias de dados com processos de tomada de decisão

• Avaliar o ROI das estratégias de dados

Módulo 3: Arquitetura e Soluções de Dados

Arquitetura de Solução de Dados

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender conceitos e princípios de arquitetura de dados

• Gerenciar o ciclo de vida da arquitetura de dados

• Implementar tecnologias modernas de arquitetura de dados

• Projetar arquiteturas de referência para soluções de dados

• Traduzir requisitos de negócios em especificações técnicas

• Elaborar e gerenciar arquiteturas de dados

Arquiteturas e Serviços de Data Lakes e Data Warehousing

Ao final da disciplina, os alunos deverão ser capazes de:

• Diferenciar entre Data Lake e Data Warehouse

• Projetar arquiteturas de dados para diferentes tipos de dados

• Aplicar conceitos de Schema on-write e Schema on-read

• Projetar arquiteturas corporativas de dados (Enterprise Data Hub)

• Implementar dimensões em Data Warehouses

• Organizar camadas em um Data Lake

• Comparar soluções on-premise e na nuvem para Data Lakes

Arquitetura de Dados em Nuvem

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender os fundamentos da arquitetura de dados em nuvem

• Projetar e implementar arquiteturas de dados em ambientes de nuvem

• Selecionar e utilizar plataformas e tecnologias de dados em nuvem

• Implementar medidas de segurança e conformidade para dados na nuvem

• Desenvolver políticas de backup, recuperação e orquestração de dados na nuvem

• Otimizar e monitorar o desempenho de dados na nuvem

• Executar projetos práticos de arquitetura de dados em nuvem

Data Mesh e Arquiteturas Descentralizadas

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender os fundamentos do Data Mesh e arquiteturas descentralizadas

• Projetar e implementar componentes do Data Mesh

• Desenvolver serviços de consumo de dados em arquiteturas descentralizadas

• Aplicar princípios de governança em arquiteturas descentralizadas

• Utilizar tecnologias e ferramentas apropriadas para Data Mesh

• Analisar e aplicar boas práticas em projetos de Data Mesh

Arquitetura para Processamento de Data Stream

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender os princípios do processamento de data stream

• Projetar arquiteturas escaláveis e tolerantes a falhas para processamento de streams

• Implementar diferentes modelos de processamento de streams (batch, micro-batching, contínuo)

• Utilizar serviços gerenciados em cloud para processamento de streams

• Integrar soluções de processamento de streams com Data Lakes e Data Warehouses

• Implementar governança e segurança em arquiteturas de processamento de streams

Módulo 4: Processamento e Análise de Dados

Tecnologias de Big Data

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender princípios de processamento de grandes volumes de dados

• Implementar ecossistemas de Big Data (Hadoop, Spark, Kafka, NoSQL)

• Projetar soluções para ingestão, armazenamento, processamento e análise de Big Data

• Aplicar técnicas de processamento paralelo e distribuído

• Projetar arquiteturas escaláveis, confiáveis e seguras para Big Data

• Implementar arquiteturas distribuídas de Big Data

Preparação, Orquestração e Fluxos de Dados

Ao final da disciplina, os alunos deverão ser capazes de:

• Montar e preparar conjuntos de dados para análise

• Aplicar técnicas de melhoramento e enriquecimento de dados

• Realizar feature engineering em conjuntos de dados

• Implementar processos ETL e ELT

• Utilizar ferramentas de preparação e orquestração de dados

• Projetar e implementar fluxos de dados resilientes

• Aplicar técnicas de escalonamento de jobs baseados em eventos

• Implementar processos de reprocessamento e correção de dados

Data Discovery e Analytics

Ao final da disciplina, os alunos deverão ser capazes de:

• Realizar analisar exploratória de dados

• Conhecer os diferentes tipos de dados (estruturados, semiestruturados, não estruturados)

• Identificar e coletar dados relevantes de diversas fontes.

• Aplicar técnicas de visualização de dados para comunicar insights de forma clara e concisa

• Utilizar ferramentas de Data Discovery e Self-Service Analytics para realizar análises exploratórias de dados de forma autônoma

• Usar modelos de machine learning para aplicar em análise preditiva e prescritiva

Módulo 5: Inteligência Artificial e Monitoramento

Cultura e Práticas DataOps e MLOps

Ao final da disciplina, os alunos deverão ser capazes de:

• Desenvolver infraestruturas de dados e machine learning como código (IaC).

• Projetar e gerenciar pipelines eficientes para soluções de machine learning.

• Implementar práticas de DataOps e MLOps para otimizar o ciclo de vida de desenvolvimento e implantação de modelos.

IA Generativa para Gerenciamento de Dados  

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender os fundamentos de IAs Generativas (GenAI)

• Identificar e aplicar plataformas de GenAI relevantes

• Desenvolver habilidades em engenharia de prompt

• Analisar as implicações do GenAI na gestão e análise de dados

• Projetar abordagens para adoção de GenAI em arquiteturas de dados

• Automatizar processos e procedimentos de gerenciamento de dados usando GenAI

• Criar APIs de acesso a dados baseadas em GenAI

• Identificar oportunidades de desenvolvimento de produtos de dados com GenAI

• Compreender conceitos de AI-as-a-Service, AI-as-a-commodity e AI Gateways

• Acompanhar tendências e inovações em IA Generativa aplicada a dados

Monitoramento e Observabilidade 

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender a diferença entre monitoramento e observabilidade e seus benefícios específicos.

• Implementar estratégias de monitoramento e observabilidade em soluções de software

• Utilizar ferramentas de monitoramento e APM

• Criar e interpretar dashboards e alertas de performance

• Aplicar conceitos de SLO e Error Budgeting

• Utilizar logs, métricas e tracing para diagnóstico de problemas

• Integrar práticas de métricas e medição de maturidade em abordagens DevOps

Humanidades

Ao final da disciplina, os alunos deverão ser capazes de:

• Refletir sobre o papel da ética e da espiritualidade no contexto científico e tecnológico.

• Avaliar os impactos sociais e humanistas do uso de dados e tecnologia.

• Desenvolver uma ética profissional sólida em ambientes de trabalho colaborativos e tecnológicos.