As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá. # Princípios de engenharia de dados Recomendamos que você adote os princípios na tabela a seguir ao criar uma arquitetura para um pipeline de dados moderno. | | | | | --- |--- |--- | | **Princípios** | **Exemplo** | **Caso de uso** | | Flexibilidade | Usar microsserviços | [FastGo desfruta de flexibilidade e escalabilidade com uma arquitetura de microsserviços na AWS](https://aws.amazon.com/solutions/case-studies/fastgo/) (estudo de caso da AWS) | | Reprodutibilidade | Usar a infraestrutura como código (IaC) para implantar seus serviços | [Part 3: How NatWest Group built auditable, reproducible, and explainable ML models with Amazon SageMaker](https://aws.amazon.com/blogs/machine-learning/part-3-how-natwest-group-built-auditable-reproducible-and-explainable-ml-models-with-amazon-sagemaker/) (blog AWS Machine Learning) | | Capacidade de reutilização | Usar bibliotecas e referências de forma compartilhada | [Create and reuse governed datasets in Amazon QuickSight with new Dataset-as-a-Source feature](https://aws.amazon.com/blogs/big-data/create-and-reuse-governed-datasets-in-amazon-quicksight-with-new-dataset-as-a-source-feature/) (blog AWS Big Data) | | Escalabilidade | Escolher as configurações de serviço para acomodar qualquer carga de dados | [Projeção de um data lake para crescimento e escala na Nuvem AWS](https://docs.aws.amazon.com/prescriptive-guidance/latest/data-lake-for-growth-scale/welcome.html) (Recomendações da AWS) | | Auditabilidade | Mantenha uma trilha de auditoria usando logs, versões e dependências | [How Parametric Built Audit Surveillance using AWS Data Lake Architecture](https://aws.amazon.com/blogs/architecture/how-parametric-built-audit-surveillance-using-aws-data-lake-architecture/) (blog AWS Architecture) |