A
é responsável pela definição das estratégias de auditoria, elaboração dos achados, emissão de pareceres técnicos e validação das conclusões produzidas durante os trabalhos de fiscalização.
B
atua na administração financeira dos projetos de tecnologia, sendo responsável pela gestão orçamentária das iniciativas relacionadas à infraestrutura de dados da organização.
C
possui como atividade a elaboração de interfaces gráficas, painéis de visualização e elementos de experiência do usuário destinados à apresentação dos indicadores produzidos pelos sistemas analíticos.
D
é responsável por projetar, implementar e manter pipelines de dados, processos de integração, mecanismos de armazenamento e disponibilização de informações.
E
possui como atribuição a elaboração de modelos estatísticos preditivos e a construção de algoritmos de aprendizado de máquina destinados à identificação automática de padrões nos dados corporativos.
A
utiliza cláusulas compatíveis com bancos NoSQL orientados a documentos, como INNER JOIN, GROUP BY e HAVING, ou seja, mecanismos de agregação, que podem ser executados com a mesma sintaxe SQL padronizada.
B
identifica fornecedores cujo valor médio de pagamento anual seja superior à soma total de todos os pagamentos registrados no período, utilizando a subconsulta para comparar resultados globais após a execução completa do agrupamento.
C
utiliza a cláusula INNER JOIN para realizar a união vertical dos registros das duas tabelas, enquanto a subconsulta presente no HAVING filtra os valores individuais de cada nota fiscal antes que a soma por fornecedor seja processada pelo agrupamento.
D
identifica fornecedores com pagamentos efetuados em 2025 cujo somatório anual supera a média aritmética de todos os pagamentos individuais registrados na tabela, utilizando uma subconsulta para definir dinamicamente o valor de corte do filtro agregado.
E
utiliza a função de agregação SUM para calcular a média ponderada dos repasses, permitindo que a cláusula WHERE restrinja os grupos resultantes com base no valor retornado pela subconsulta de média global.
A
realizar, na fase de Compreensão dos Dados, uma análise exploratória para verificar a qualidade do preenchimento dos campos com dados estruturados das tabelas relacionais e a consistência e integridade das chaves nos arquivos JSON, alinhando essas fontes aos objetivos de fiscalização.
B
refinar o projeto na fase de Avaliação, convertendo os relatórios de texto em dados estruturados, garantindo que a implementação do modelo no ambiente de produção ocorra junto com a revisão técnica dos resultados obtidos frente às leis tributárias.
C
iniciar a fase de Modelagem utilizando os arquivos com dados não estruturados JSON, para garantir que os algoritmos de aprendizado de máquina identifiquem padrões de fraude antes mesmo de definir os critérios de sucesso do projeto.
D
priorizar a fase de Preparação dos Dados para converter as tabelas com dados semiestruturados do banco de dados relacional, em um formato legível por humanos, visando facilitar a compreensão inicial dos problemas fiscais pelos gestores da Secretaria.
E
executar a fase de Compreensão do Negócio com foco na extração automática de entidades dos relatórios em PDF, uma vez que esses dados estruturados permitem a clara definição das variáveis preditivas que serão usadas no modelo final de risco.
A
o risco de alucinação em sistemas de inteligência artificial está relacionado à indisponibilidade de bases históricas para treinamento, produzindo falhas operacionais decorrentes da ausência de registros suficientes para execução dos algoritmos.
B
a rastreabilidade das decisões automatizadas exige o mapeamento do ciclo de vida dos dados e dos parâmetros de treinamento, permitindo auditorias técnicas que identifiquem a origem de eventuais desvios e alucinações nos relatórios fiscais.
C
em estruturas de governança centralizada, as decisões relacionadas à qualidade dos dados e aos critérios de segurança devem ser concentradas nas unidades administrativas, permitindo que cada setor estabeleça seus próprios padrões de controle e auditoria.
D
a explicabilidade em sistemas de inteligência artificial consiste na capacidade de impedir alterações nos modelos analíticos após sua implantação, reduzindo a necessidade de monitoramento sobre possíveis desvios de comportamento algorítmico.
E
em modelos de governança compartilhada, os papéis de data steward e data owner tornam-se dispensáveis, pois as responsabilidades sobre os dados passam a ser absorvidas diretamente pelos sistemas automatizados de inteligência artificial.
A
SELECT c.cnpj FROM contribuintes c WHERE c.situacao = 'ATIVO' AND NOT EXISTS (SELECT 1 FROM recolhimentos r WHERE r.cnpj = c.cnpj AND r.competencia '2026-04-01');
B
SELECT LEFT OUTER JOIN recolhimentos r ON c.cnpj = r.cnpj WHERE c.situacao = 'ATIVO' AND r.competencia IS NULL;
C
SELECT INNER JOIN recolhimentos r ON c.cnpj = r.cnpj WHERE c.situacao = 'ATIVO' AND r.competencia = '2026-04-01';
D
SELECT c.cnpj FROM contribuintes c LEFT OUTER JOIN recolhimentos r ON c.cnpj = r.cnpj AND r.competencia = '2026-04-01' WHERE c.situacao = 'ATIVO' AND r.cnpj IS NULL;
E
SELECT LEFT OUTER JOIN recolhimentos r ON c.cnpj = r.cnpj WHERE c.situacao = 'ATIVO' AND r.competencia '2026-04-01';
A
utilizar extratos parciais de dados fiscais em estudos internos, independentemente de autorização específica, desde que omitidos os identificadores diretos.
B
permitir acesso supervisionado de colaboradores terceirizados mediante credenciais fornecidas informalmente por funcionário responsável.
C
realizar acesso às informações fiscais estritamente vinculado às atribuições funcionais e à necessidade do serviço.
D
utilizar autenticação compartilhada de contingência entre funcionários previamente autorizados pela chefia imediata para garantir continuidade operacional em situações de indisponibilidade sistêmica.
E
conceder acesso ampliado aos sistemas fazendários a funcionários vinculados a unidades estratégicas de fiscalização.
A
SELECT cnpj, COUNT(valor_nota) FROM notas_fiscais WHERE data_emissao >= DATE '2026-01-01' AND data_emissao < DATE '2027-01-01' GROUP BY cnpj HAVING COUNT(valor_nota) > 5000000;
B
SELECT DISTINCT cnpj FROM notas_fiscais WHERE data_emissao >= DATE '2026-01-01' AND data_emissao < DATE '2027-01-01' AND valor_nota > 5000000;
C
SELECT cnpj FROM notas_fiscais WHERE data_emissao >= DATE '2026-01-01' AND data_emissao < DATE '2027-01-01' GROUP BY cnpj HAVING SUM(valor_nota) > 5000000;
D
SELECT cnpj, SUM(valor_nota) FROM NOTAS_FISCAIS WHERE data_emissao >= DATE '2026-01-01' AND data_emissao < DATE '2027-01-01' GROUP BY cnpj HAVING SUM(valor_nota) > 5000000 GROUP BY cnpj;
E
SELECT cnpj FROM notas_fiscais WHERE data_emissao >= DATE '2026-01-01' AND data_emissao < DATE '2027-01-01' GROUP BY cnpj, data_emissao HAVING SUM(valor_nota) > 5000000;
