Publication
ExperimentaĆ§Ć£o de plataformas de dados & AI na cloud
| datacite.subject.fos | Engenharia e Tecnologia | |
| datacite.subject.sdg | 09:IndĆŗstria, InovaĆ§Ć£o e Infraestruturas | |
| dc.contributor.advisor | Oliveira, Paulo Jorge Machado | |
| dc.contributor.author | FIGUEIREDO, JOĆO RICARDO CIDRA | |
| dc.date.accessioned | 2025-09-05T13:39:44Z | |
| dc.date.available | 2025-09-05T13:39:44Z | |
| dc.date.issued | 2025-07-23 | |
| dc.description.abstract | Cloud-based data and AI platforms have become critical for organizations seeking scalable, real-time analytics and operational efficiency. This thesis investigates the capabilities of leading providersāAWS, Google Cloud, and Microsoft Azureāfocusing on their suitability for large-scale data engineering and machine learning workloads in complex domains such as telecommunications. Conducted within the context of Altice Labs, the research includes a hands-on implementation of a cloud-native data migration and analytics pipeline. The SIGO system was rearchitected using AWS services, replacing legacy on-premise processes with scalable, serverless components like AWS Glue, S3, Athena, and QuickSight. The migration delivered measurable improvements in ETL runtime, query latency, system reliability, and cost efficiency. Beyond performance, this work also explores ethical dimensions of cloud adoptionāemphasizing data governance, access control, and compliance in multi-tenant environments. The project demonstrates how a cloud-first approach can empower organizations to operationalize AI, democratize insights, and respond faster to evolving service needs. By combining platform evaluation, practical deployment, and organizational impact, this thesis offers a comprehensive view of what it takes to modernize data infrastructure in the age of AI. | eng |
| dc.description.abstract | As plataformas de dados e IA baseadas na nuvem tornaram-se crĆticas para as organizaƧƵes que procuram anĆ”lises escalĆ”veis e em tempo real e eficiĆŖncia operacional. Esta tese investiga as capacidades dos principais fornecedores - AWS, Google Cloud e Microsoft Azure - centrando-se na sua adequaĆ§Ć£o a cargas de trabalho de engenharia de dados em grande escala e de aprendizagem automĆ”tica em domĆnios complexos como as telecomunicaƧƵes. Conduzida no contexto da Altice Labs, a investigaĆ§Ć£o inclui uma implementaĆ§Ć£o prĆ”tica de um pipeline de migraĆ§Ć£o e anĆ”lise de dados nativos da nuvem. O sistema SIGO foi rearquitetado usando serviƧos AWS, substituindo processos legados no local por componentes escalĆ”veis e sem servidor, como AWS Glue, S3, Athena e QuickSight. A migraĆ§Ć£o proporcionou melhorias mensurĆ”veis no tempo de execuĆ§Ć£o do ETL, latĆŖncia de consulta, fiabilidade do sistema e eficiĆŖncia de custos. AlĆ©m do desempenho, este trabalho tambĆ©m explora as dimensƵes Ć©ticas da adoĆ§Ć£o da nuvem - enfatizando a governanƧa de dados, o controle de acesso e a conformidade em ambientes multi-locatĆ”rios. O projeto demonstra como uma abordagem que prioriza a nuvem pode capacitar as organizaƧƵes a operacionalizar a IA, democratizar os insights e responder mais rapidamente Ć s necessidades de serviƧo em evoluĆ§Ć£o. Ao combinar a avaliaĆ§Ć£o da plataforma, a implantaĆ§Ć£o prĆ”tica e o impacto organizacional, esta dissertaĆ§Ć£o oferece uma visĆ£o abrangente do que Ć© necessĆ”rio para modernizar a infraestrutura de dados na era da IA. | por |
| dc.identifier.tid | 203995821 | |
| dc.identifier.uri | http://hdl.handle.net/10400.22/30389 | |
| dc.language.iso | eng | |
| dc.rights.uri | N/A | |
| dc.subject | Data | |
| dc.subject | Cloud | |
| dc.subject | Artificial Intelligence | |
| dc.subject | AWS | |
| dc.title | ExperimentaĆ§Ć£o de plataformas de dados & AI na cloud | por |
| dc.title.alternative | Experimenting with data platforms & AI in the loud | eng |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| thesis.degree.name | Mestrado em Engenharia InformƔtica |