IA Tradicional vs. IA Agêntica vs. RAG Agêntico
Tradução do infográfico publicado por James Code Lab, de autoria de Sivasankar Natarajan.
1. IA Tradicional (Traditional AI)
1. Definir a tarefa (Specify Task)
Estabelecer o objetivo que a inteligência artificial deverá alcançar.
2. Coletar dados (Collect Data)
Reunir os dados necessários para realizar a tarefa.
3. Refinar os dados (Refine Data)
Limpar, organizar e preparar os dados para utilização.
4. Banco de dados vetorial (Vector DB)
Armazenar representações numéricas dos dados para facilitar a busca por similaridade.
5. Índice de recuperação (Retrieval Index)
Organizar os dados para permitir a localização das informações relevantes.
6. Treinamento do modelo (Model Training)
Treinar ou ajustar o modelo de IA para executar a tarefa.
7. Implantar o modelo (Deploy Model)
Disponibilizar o modelo para utilização em ambiente operacional.
8. Avaliar os resultados (Evaluate Outcomes)
Verificar se o modelo produz resultados adequados.
9. Gerar resultados (Generate Results)
Produzir a resposta ou o resultado solicitado.
2. IA Agêntica (Agentic AI)
A IA agêntica pode planejar etapas, utilizar ferramentas, tomar decisões dentro de limites definidos e executar ações para alcançar um objetivo.
1. Definir a tarefa
Estabelecer o objetivo a ser alcançado.
2. Escolher o modelo de LLM (Choose LLM Model)
Selecionar o modelo de linguagem de grande porte mais adequado.
3. Integrar ferramentas e APIs (Integrate Tools & APIs)
Conectar a IA a sistemas, bancos de dados e serviços externos.
4. Pesquisa e APIs (Search/APIs)
Buscar informações e consultar sistemas externos.
5. Operações externas (External Operation)
Executar consultas, integrações e operações fora do modelo de IA.
6. Incorporar lógica e executar iterações (Embed Logic & Iterations)
Aplicar regras, analisar os resultados intermediários e repetir etapas quando necessário.
7. Escolhas orientadas pelo agente (Agent-Led Choices)
Selecionar os próximos passos conforme o objetivo e as informações disponíveis.
8. Autodecisões (Self-Decisions)
Tomar decisões operacionais dentro das regras e permissões estabelecidas.
9. Implementar ações (Implement Actions)
Executar as ações escolhidas, como atualizar um sistema ou gerar um relatório.
10. Melhorar e evoluir (Improve & Evolve)
Avaliar o desempenho e aprimorar o processo com base nos resultados.
3. RAG Agêntico (Agentic RAG)
RAG significa Retrieval-Augmented Generation, ou Geração Aumentada por Recuperação. O RAG Agêntico combina a busca de informações em fontes relevantes com agentes capazes de planejar, verificar e repetir consultas.
1. Definir a tarefa
Estabelecer a pergunta ou o problema a resolver.
2. Buscar dados úteis (Fetch Useful Data)
Recuperar documentos, registros e informações relevantes para a tarefa.
3. Pesquisa e APIs (Search/APIs)
Consultar bases de dados e serviços externos para complementar as informações.
4. Operações externas (External Operation)
Executar consultas e obter informações de sistemas conectados.
5. Projetar um processo com múltiplas etapas (Design Multi-Step Process)
Elaborar uma sequência de ações para solucionar problemas mais complexos.
6. Aplicar lógica iterativa (Apply Iterative Logic)
Repetir buscas, análises e verificações até obter informações suficientes.
7. Implementar ações (Implement Actions)
Executar as etapas planejadas com base nas informações recuperadas.
8. APIs de consulta (Query APIs)
Realizar novas consultas a sistemas externos quando necessário.
9. Atualizar a memória (Refresh Memory)
Atualizar o contexto de trabalho ou as informações armazenadas para uso posterior, quando o sistema permitir.
10. Produzir e verificar resultados (Produce & Verify Results)
Gerar a resposta e verificar sua consistência com as informações encontradas.
11. Adaptar-se a usos futuros (Adapt for Future Use)
Aproveitar o contexto e os aprendizados disponíveis para melhorar tarefas futuras.
IA Tradicional vs. IA Agêntica vs. RAG Agêntico
Tradução do infográfico publicado por James Code Lab, de autoria de Sivasankar Natarajan.
1. IA Tradicional (Traditional AI)
1. Definir a tarefa (Specify Task)
Estabelecer o objetivo que a inteligência artificial deverá alcançar.
2. Coletar dados (Collect Data)
Reunir os dados necessários para realizar a tarefa.
3. Refinar os dados (Refine Data)
Limpar, organizar e preparar os dados para utilização.
4. Banco de dados vetorial (Vector DB)
Armazenar representações numéricas dos dados para facilitar a busca por similaridade.
5. Índice de recuperação (Retrieval Index)
Organizar os dados para permitir a localização das informações relevantes.
6. Treinamento do modelo (Model Training)
Treinar ou ajustar o modelo de IA para executar a tarefa.
7. Implantar o modelo (Deploy Model)
Disponibilizar o modelo para utilização em ambiente operacional.
8. Avaliar os resultados (Evaluate Outcomes)
Verificar se o modelo produz resultados adequados.
9. Gerar resultados (Generate Results)
Produzir a resposta ou o resultado solicitado.
2. IA Agêntica (Agentic AI)
A IA agêntica pode planejar etapas, utilizar ferramentas, tomar decisões dentro de limites definidos e executar ações para alcançar um objetivo.
1. Definir a tarefa
Estabelecer o objetivo a ser alcançado.
2. Escolher o modelo de LLM (Choose LLM Model)
Selecionar o modelo de linguagem de grande porte mais adequado.
3. Integrar ferramentas e APIs (Integrate Tools & APIs)
Conectar a IA a sistemas, bancos de dados e serviços externos.
4. Pesquisa e APIs (Search/APIs)
Buscar informações e consultar sistemas externos.
5. Operações externas (External Operation)
Executar consultas, integrações e operações fora do modelo de IA.
6. Incorporar lógica e executar iterações (Embed Logic & Iterations)
Aplicar regras, analisar os resultados intermediários e repetir etapas quando necessário.
7. Escolhas orientadas pelo agente (Agent-Led Choices)
Selecionar os próximos passos conforme o objetivo e as informações disponíveis.
8. Autodecisões (Self-Decisions)
Tomar decisões operacionais dentro das regras e permissões estabelecidas.
9. Implementar ações (Implement Actions)
Executar as ações escolhidas, como atualizar um sistema ou gerar um relatório.
10. Melhorar e evoluir (Improve & Evolve)
Avaliar o desempenho e aprimorar o processo com base nos resultados.
3. RAG Agêntico (Agentic RAG)
RAG significa Retrieval-Augmented Generation, ou Geração Aumentada por Recuperação. O RAG Agêntico combina a busca de informações em fontes relevantes com agentes capazes de planejar, verificar e repetir consultas.
1. Definir a tarefa
Estabelecer a pergunta ou o problema a resolver.
2. Buscar dados úteis (Fetch Useful Data)
Recuperar documentos, registros e informações relevantes para a tarefa.
3. Pesquisa e APIs (Search/APIs)
Consultar bases de dados e serviços externos para complementar as informações.
4. Operações externas (External Operation)
Executar consultas e obter informações de sistemas conectados.
5. Projetar um processo com múltiplas etapas (Design Multi-Step Process)
Elaborar uma sequência de ações para solucionar problemas mais complexos.
6. Aplicar lógica iterativa (Apply Iterative Logic)
Repetir buscas, análises e verificações até obter informações suficientes.
7. Implementar ações (Implement Actions)
Executar as etapas planejadas com base nas informações recuperadas.
8. APIs de consulta (Query APIs)
Realizar novas consultas a sistemas externos quando necessário.
9. Atualizar a memória (Refresh Memory)
Atualizar o contexto de trabalho ou as informações armazenadas para uso posterior, quando o sistema permitir.
10. Produzir e verificar resultados (Produce & Verify Results)
Gerar a resposta e verificar sua consistência com as informações encontradas.
11. Adaptar-se a usos futuros (Adapt for Future Use)
Aproveitar o contexto e os aprendizados disponíveis para melhorar tarefas futuras.
Resumo comparativo
Característica | IA tradicional | IA agêntica | RAG agêntico |
|---|---|---|---|
Objetivo principal | Executar uma tarefa definida | Planejar e executar ações | Buscar informações e resolver tarefas em etapas |
Uso de ferramentas | Geralmente limitado ou predefinido | Integra ferramentas e APIs | Integra busca, bases de conhecimento e APIs |
Tomada de decisão | Mais dependente do fluxo programado | Seleciona os próximos passos | Decide o que buscar, verificar e executar |
Repetição de etapas | Conforme o fluxo estabelecido | Pode iterar para atingir o objetivo | Pode refazer consultas para melhorar a resposta |
Aplicação típica | Classificação e previsão | Automação de processos | Pesquisa documental e respostas fundamentadas em fontes |
Observação importante: o infográfico é uma representação simplificada. A IA tradicional também pode usar mecanismos de recuperação, e nem toda IA agêntica possui autonomia irrestrita ou aprende automaticamente com cada execução.
Separei os vídeos e os links de pesquisa no YouTube em português, organizados pelos três temas do infográfico. Recomendo assistir na ordem abaixo: primeiro entender os fundamentos da IA, depois os agentes de IA e, por último, o RAG Agêntico.
1. IA Tradicional (Traditional AI)
Inteligência Artificial Explicada em Apenas 11 Minutos
Canal: Bruno Picinini · Introdução aos conceitos fundamentais
Explica o que é inteligência artificial, sua evolução histórica e algumas de suas aplicações. É uma boa introdução antes de estudar os sistemas agênticos.
O vídeo para entender a Inteligência Artificial de verdade
Canal: Infinitamente
Aprofunda o funcionamento dos modelos de IA e do ChatGPT, com explicações sobre os fundamentos científicos.
2. IA Agêntica (Agentic AI)
Como funcionam agentes de IA do zero até 2026
Canal: Sancler Miranda
Explica como os agentes recebem objetivos, dividem tarefas em etapas, utilizam ferramentas e executam ações.
Como funcionam os agentes de IA na prática?
Canal: LABS
Apresenta exemplos práticos de agentes, ferramentas, memória, contexto e autonomia. É especialmente útil para compreender como um agente pode executar um fluxo de trabalho.
3. RAG Agêntico (Agentic RAG)
Este tema é mais especializado. Recomendo começar pelo RAG convencional e, em seguida, estudar como os agentes coordenam pesquisas, novas consultas e verificações.
Converse com seus PDFs usando IA — RAG com Python, LangChain, OpenAI e Chroma
Canal: DATA DT
Demonstra o uso de RAG para consultar documentos e gerar respostas baseadas em informações recuperadas. É uma boa base para entender a parte de recuperação de dados do RAG Agêntico.
RAG Agêntico: arquitetura, funcionamento e exemplos
Pesquisa direcionada em português
Procure demonstrações que mostrem um agente planejando buscas, consultando diferentes fontes, verificando os documentos encontrados e repetindo consultas quando necessário.
Como diferenciar os três sistemas na prática
Sistema | Exemplo em uma empresa |
|---|---|
IA Tradicional | Analisa uma planilha financeira e classifica empresas por faixa de risco. |
IA Agêntica | Recebe a tarefa de analisar uma empresa, consulta sistemas autorizados e executa etapas de análise. |
RAG Agêntico | Pesquisa balanços, documentos contábeis e indicadores setoriais, verifica as fontes e prepara uma análise fundamentada nos documentos recuperados. |
Minha recomendação: para compreender o infográfico e aplicá-lo aos seus projetos de contabilidade, blockchain e análise de crédito, estude primeiro os agentes de IA e depois o RAG Agêntico. A combinação pode permitir que um sistema pesquise documentos, consulte indicadores e prepare análises, mantendo a validação humana nas decisões financeiras relevantes.
Um pipeline de IA é uma sequência automatizada de etapas que transforma dados brutos em uma saída útil — por exemplo, um texto, uma imagem, uma recomendação, uma previsão ou uma resposta de chatbot. Ele funciona como uma “linha de montagem digital”: entra dado, passa por limpeza, processamento, modelo de IA, validação e entrega.[ibm][cloud.google][ovhcloud]
Etapas típicas
| Etapa | O que acontece | Exemplo prático |
|---|---|---|
| Ingestão | Coleta dados de arquivos, sites, CRMs, redes sociais, bancos de dados ou sensores | Reunir currículos, vagas e histórico de contratações |
| Limpeza e preparação | Remove duplicidades, corrige formatos, padroniza textos e classifica informações | Padronizar cargos, competências e experiências |
| Vetorização/indexação | Converte documentos em representações numéricas para busca semântica | Indexar PDFs e apostilas para um assistente educacional |
| Inferência | O modelo de IA gera a resposta, classificação ou conteúdo | Gerar descrição de vaga, resumo de curso ou imagem publicitária |
| Validação | Verifica qualidade, viés, segurança e conformidade | Impedir respostas discriminatórias em triagem de currículos |
| Entrega | Publica via aplicativo, API, site, WhatsApp, e-mail ou painel | Enviar a vaga otimizada para o recrutador |
| Monitoramento | Acompanha custo, latência, erros e qualidade | Medir taxa de acerto das recomendações de candidatos |
Um pipeline de dados de IA é, especificamente, o sistema que faz a ingestão, transformação e fornecimento contínuo de dados para desenvolvimento, treinamento e implantação de modelos.[ibm]
Exemplos aplicados ao seu contexto
1. Plataforma de vagas e recrutamento
Objetivo: combinar currículos, vagas e perfis profissionais para sugerir os melhores candidatos.
Fluxo:
- Ingestão de currículos em PDF, LinkedIn, formulários e testes.
- Extração de competências, formação, experiências e pretensão salarial.
- Padronização de cargos e habilidades.
- Vetorização dos currículos e das vagas.
- Modelo de IA calcula afinidade candidato-vaga.
- O recrutador recebe um ranking explicável.
- O sistema registra feedback das contratações para melhorar o modelo.
A IBM descreve esse tipo de fluxo como um pipeline que coleta, analisa e resume informações relevantes de forma automatizada.[alura.com]
2. Universidade corporativa ou EAD
Objetivo: transformar materiais internos em um assistente de aprendizagem.
Fluxo:
- Upload de apostilas, vídeos, normas internas e trilhas de capacitação.
- Transcrição automática de áudio e vídeo.
- Divisão do conteúdo em trechos e criação de índice vetorial.
- Aluno faz pergunta: “Quais são as etapas do atendimento ao cliente?”
- O sistema recupera os trechos relevantes.
- O LLM gera resposta com citação das fontes internas.
- A plataforma registra dúvidas frequentes para melhorar os cursos.
Esse é um caso clássico de RAG (Retrieval-Augmented Generation): busca em documentos + geração de resposta por IA. A NVIDIA apresenta pipelines RAG que combinam busca, recuperação, LLM e aceleração por GPU.[learn.microsoft]
3. Marketing para restaurantes e varejo local
Objetivo: produzir conteúdo e campanhas personalizadas.
Fluxo:
- Coleta de cardápio, fotos, avaliações, horários, promoções e histórico de vendas.
- Classificação de produtos por categoria, margem, sazonalidade e público.
- Geração automática de legendas, posts, anúncios e e-mails.
- Criação de imagens ou vídeos curtos para redes sociais.
- Segmentação de clientes por comportamento de compra.
- Publicação e acompanhamento de cliques, reservas e vendas.
- Ajuste automático das campanhas com melhor desempenho.
Pipelines são muito usados em e-commerce e varejo para recomendações, preços dinâmicos e personalização.[ovhcloud]
4. Atendimento inteligente
Objetivo: responder clientes com base nas informações reais da empresa.
Fluxo:
- Cliente envia mensagem por WhatsApp, site ou telefone.
- O sistema converte voz em texto, se necessário.
- Busca a resposta em FAQ, contratos, políticas e catálogo.
- O LLM redige uma resposta contextualizada.
- Se for caso sensível, transfere para atendente humano.
- O histórico alimenta relatórios de qualidade e oportunidades de venda.
A NVIDIA cita o Riva para conversão de fala em texto, texto em fala e tradução acelerada por GPU, útil justamente nesse tipo de pipeline.[learn.microsoft]
Como a NVIDIA pode ajudar
A NVIDIA pode atuar principalmente na infraestrutura e no software que aceleram cada etapa do pipeline, especialmente quando há grande volume de dados, vídeos, imagens, modelos de linguagem ou necessidade de resposta em tempo real. A empresa posiciona sua plataforma para acelerar o fluxo completo de IA — da ingestão de dados ao treinamento, ajuste fino e inferência.[blog.nvidia.com][nvidia][nvidia]
| Necessidade do seu projeto | Solução NVIDIA | Como ajuda |
|---|---|---|
| Rodar modelos de IA generativa com desempenho | GPUs NVIDIA e NVIDIA AI Enterprise | Acelera treinamento, ajuste fino e inferência; reduz tempo para colocar soluções em produção. [nvidia][nvidia] |
| Assistente que responde com base em documentos | NVIDIA NIM, NeMo Retriever e RAPIDS | Acelera inferência de LLM, recuperação de documentos e busca vetorial em pipelines RAG. [learn.microsoft] |
| Voz, transcrição e atendimento | NVIDIA Riva | Oferece fala-para-texto, texto-para-fala e tradução aceleradas por GPU. [learn.microsoft] |
| Processamento de grandes volumes de dados | NVIDIA Morpheus e RAPIDS | Ajuda no pré-processamento, ingestão em tempo real e aceleração de análise/indexação. [learn.microsoft] |
| Integração com ferramentas conhecidas | LangChain, LlamaIndex e Haystack | A NVIDIA fornece pipelines de exemplo e contêineres que se integram a frameworks populares de LLM. [learn.microsoft] |
| Vídeos, imagens e conteúdo visual | Infraestrutura NVIDIA para IA generativa | Suporta geração e processamento multimodal em escala, com foco em desempenho e custo. [blog.nvidia.com][nvidia] |
| Operação em nuvem, data center ou borda | Plataforma NVIDIA AI | Permite executar inferência em diferentes ambientes, conforme o caso de uso. [nvidia] |
Exemplo de arquitetura para sua plataforma
Para uma plataforma de empregabilidade + educação + IA, um pipeline viável seria:
- Fontes: currículos, vagas, cursos, vídeos, avaliações e dados de empregadores.
- Ingestão: APIs, upload de arquivos e integrações.
- Processamento: limpeza, OCR, transcrição e extração de competências.
- Indexação: banco vetorial para busca semântica.
- IA generativa: criação de trilhas de aprendizagem, descrições de vagas, feedback de currículo e matching candidato-vaga.
- Entrega: portal, app, WhatsApp ou API para parceiros.
- Governança: logs, permissões, LGPD, auditoria e monitoramento de qualidade.
A NVIDIA seria mais relevante nas etapas de processamento pesado, busca vetorial, inferência de LLM, voz e escala, enquanto o armazenamento pode continuar em serviços de nuvem convencionais, como S3, Google Cloud Storage ou Azure Blob.[learn.microsoft][blog.nvidia.com]
O custo de um pipeline de IA varia muito: um MVP pode começar perto de R$ 500 a R$ 3.000/mês, enquanto uma operação com GPU dedicada, dados sensíveis e alto volume pode passar de R$ 20 mil a R$ 100 mil+/mês. O principal fator não é “ter IA”, mas o volume de dados, o número de requisições, o uso de GPU e o nível de segurança exigido.[aws.amazon]
Faixas de custo por estágio
| Estágio | Perfil típico | Custo mensal estimado | Componentes principais |
|---|---|---|---|
| MVP / prova de conceito | Até 1.000 usuários, poucos documentos, APIs de IA prontas | R$ 500 a R$ 3.000 | Storage, banco de dados, API de LLM, vetorização, hospedagem |
| Pequena produção | Até 10 mil usuários, RAG, automações e monitoramento | R$ 3.000 a R$ 15.000 | Banco vetorial, filas, observabilidade, backup, segurança |
| Produção escalável | Dezenas a centenas de milhares de interações/mês | R$ 15.000 a R$ 60.000 | GPUs sob demanda, CDN, cache, equipe/DevOps, redundância |
| Infraestrutura própria / alta escala | Dados sensíveis, modelos próprios, alto volume contínuo | R$ 60.000 a R$ 300.000+ | Servidores GPU, storage rápido, rede, licenças, equipe especializada |
Esses valores são estimativas operacionais; o custo real depende do modelo escolhido, da região de nuvem, do SLA e do volume de inferência.
Onde o dinheiro é gasto
| Componente | Custo típico | Observação |
|---|---|---|
| Armazenamento de arquivos | Baixo | Geralmente centavos a poucos reais por GB/mês; adequado para PDFs, vídeos e imagens. |
| Banco de dados e metadados | Baixo a médio | PostgreSQL, MySQL ou serviços gerenciados; cresce com número de usuários e logs. |
| Banco vetorial | Baixo a médio | Pinecone tem plano gratuito, Builder a US$ 20/mês, Standard com mínimo de US$ 50/mês e Enterprise a partir de US$ 500/mês. [cloud.google] |
| API de LLM | Variável | Pode ser o maior custo em MVPs com muito uso; cobrado por tokens de entrada e saída. |
| GPU para inferência | Médio a alto | Necessária para modelos próprios, voz, imagem/vídeo ou resposta em tempo real. |
| GPU para treinamento | Alto, mas eventual | Só é relevante se você for treinar ou ajustar modelos próprios. |
| NVIDIA AI Enterprise | Médio a alto | Licença de lista de US$ 4.500 por GPU/ano no modelo self-managed; há cobrança por GPU-hora nos marketplaces de nuvem. [docs.pinecone][docs.nvidia] |
| Segurança, LGPD e auditoria | Médio | Criptografia, controle de acesso, logs, backups e testes de conformidade. |
| Equipe técnica | Alto | Muitas vezes supera o custo de nuvem: desenvolvedor, dados, DevOps e produto. |
Exemplo: plataforma de vagas com IA
Suponha uma plataforma que analisa currículos, sugere candidatos e gera descrições de vagas para 5.000 usuários ativos:
| Item | Estimativa mensal |
|---|---|
| Hospedagem, banco de dados e storage | R$ 800 a R$ 2.500 |
| Banco vetorial / busca semântica | R$ 300 a R$ 1.500 |
| API de LLM para matching, resumos e textos | R$ 1.500 a R$ 8.000 |
| Fila, monitoramento e backups | R$ 500 a R$ 2.000 |
| Segurança, logs e conformidade | R$ 500 a R$ 3.000 |
| Total estimado | R$ 3.600 a R$ 17.000/mês |
Se a plataforma passar a rodar modelos próprios em GPU, o custo pode subir substancialmente. A NVIDIA AI Enterprise, por exemplo, é licenciada por GPU: US$ 4.500 por GPU por ano na lista self-managed, com opção de cobrança por GPU-hora em nuvem.[docs.pinecone][docs.nvidia]
Cenários NVIDIA
| Cenário | Recomendação | Implicação de custo |
|---|---|---|
| MVP com textos, currículos e RAG | API de LLM + banco vetorial gerenciado | Menor investimento inicial; NVIDIA pode não ser necessária ainda |
| Busca semântica e RAG em produção | NVIDIA NIM, NeMo Retriever e GPUs sob demanda | Custo por uso; bom quando há muitas consultas simultâneas. |
| Atendimento por voz | NVIDIA Riva + GPU | Custo maior, mas adequado para transcrição e resposta em tempo real. |
| Modelo próprio ou ajuste fino | GPU dedicada + NVIDIA AI Enterprise | Investimento relevante; licença por GPU e infraestrutura contínua. [docs.pinecone][docs.nvidia] |
| Dados sensíveis / LGPD | Nuvem privada, VPC ou servidor próprio | Custo mais alto, porém maior controle sobre dados |
Como reduzir custo
- Comece com APIs de LLM em vez de GPU dedicada.
- Use cache para perguntas e conteúdos repetidos.
- Faça RAG com documentos indexados em vez de enviar arquivos inteiros ao modelo.
- Use modelos menores para tarefas simples, como classificação e extração de dados.
- Reserve GPU apenas para horários de pico ou processamento em lote.
- Use pgvector ou outro banco vetorial dentro do PostgreSQL quando o volume for pequeno; soluções gerenciadas como Pinecone têm mínimos mensais a partir de US$ 20 ou US$ 50, conforme o plano.[cloud.google][docs.nvidia]
- Meça custo por interação: por exemplo, custo por currículo analisado, por pergunta respondida ou por vaga publicada.
Regra prática
Para validar a ideia, comece com R$ 1.000 a R$ 5.000/mês usando serviços gerenciados. Só migre para NVIDIA/GPU dedicada quando houver volume, latência, privacidade ou modelos próprios que justifiquem o investimento. A NVIDIA acelera e otimiza o pipeline, mas normalmente faz mais sentido depois que o produto já validou demanda e economics.
| Critério | Pipeline de Dados | Automação (Orquestração) |
|---|---|---|
| O que é? | O fluxo físico e lógico pelo qual o dado passa. | O gatilho e o controle que fazem o fluxo rodar sozinho. |
| Foco principal | A jornada do dado (Mover de A para B, limpar, transformar). | O tempo e a dependência (Quando rodar, o que vem primeiro). |
| O que ele faz? | Conecta o banco de dados ao Data Warehouse e aplica o ELT. | Garante que o pipeline rode todo dia às 2h da manhã ou após um evento. |
| Exemplo de Ferramenta | Apache Spark, Fivetran, dbt, Python (Pandas). | Apache Airflow, Prefect, Mage, Cron Jobs. |
- O Pipeline de Dados: É o código ou a ferramenta que vai até o sistema de vendas, extrai os dados do dia anterior, remove as linhas duplicadas e salva o resultado no seu banco de dados. Se você rodar esse código manualmente no seu computador todo dia, você tem um pipeline, mas não tem automação.
- A Automação (Orquestração): É a configuração que diz: "Airflow, ative o pipeline de vendas todo dia às 06:00. Se o pipeline terminar com sucesso, envie um alerta no Slack e atualize o painel do Power BI. Se falhar, me mande um e-mail de erro".