[pt-br] Localize 'sampling' page to Portuguese (Brazil) (#5138)

Co-authored-by: Janssen dos Reis Lima <[email protected]>
Co-authored-by: Emídio Neto <[email protected]>
Co-authored-by: Vitor Vasconcellos <[email protected]>
Co-authored-by: Ezzio Moreira <[email protected]>
Co-authored-by: Luiz Aoqui <[email protected]>

content/pt/docs/concepts/sampling/index.md

@@ -0,0 +1,215 @@
+---
+title: Amostragem
+description:
+  Aprenda sobre amostragem e explore as diferentes opções disponíveis no
+  OpenTelemetry.
+weight: 80
+default_lang_commit: de60a8e2c5098e47eda3e12b006c5490bdb8a94e
+---
+
+Com [rastros](/docs/concepts/signals/traces), você pode observar as requisições
+à medida que se movem de um serviço para outro em um sistema distribuído.
+Rastreamento é muito útil tanto para análises de alto nível quanto para análises
+aprofundadas de sistemas.
+
+Contudo, se a grande maioria das suas requisições é bem-sucedida e termina com
+uma latência aceitável e sem erros, você não precisa de 100% dos seus rastros
+para observar de forma significativa suas aplicações e sistemas. Você só precisa
+da amostragem correta.
+
+![Ilustração mostrando que nem todos os dados precisam ser rastreados, e que uma amostra de dados é suficiente](traces-venn-diagram.png)
+
+## Terminologia
+
+É importante usar uma terminologia consistente ao discutir amostragem. Um rastro
+ou trecho é considerado "amostrado" (_sampled_) ou "não amostrado" (_not
+sampled_):
+
+- **Amostrado**: Um rastro ou trecho é processado e exportado. Por ter sido
+  escolhido pelo amostrador (_sampler_) como representativo do conjunto de
+  dados, ele é considerado "amostrado".
+- **Não amostrado**: Um rastro ou trecho não é processado ou exportado. Por não
+  ter sido escolhido pelo amostrador, ele é considerado "não amostrado".
+
+Às vezes, as definições desses termos se confundem. Você pode encontrar alguém
+dizendo que está "amostrando dados" ou que os dados não processados ou
+exportados são considerados "amostrados". Essas afirmações estão incorretas.
+
+## Por que usar amostragem?
+
+A amostragem é uma das formas mais eficazes de reduzir os custos de
+observabilidade sem perder visibilidade. Embora existam outras maneiras de
+reduzir custos, como filtrar ou agregar dados, esses outros métodos não aderem
+ao conceito de representatividade, que é crucial ao realizar análises
+aprofundadas do comportamento de aplicações ou sistemas.
+
+Representatividade é o princípio de que um grupo menor pode representar com
+precisão um grupo maior. Além disso, a representatividade pode ser verificada
+matematicamente, o que significa que você pode ter alta confiança de que uma
+amostra menor de dados representa com precisão o grupo maior.
+
+Além disso, quanto mais dados você gera, menos dados você realmente precisa para
+ter uma amostra representativa. Para sistemas de alto volume, é muito comum que
+uma taxa de amostragem de 1% ou menos represente com bastante precisão os outros
+99% dos dados.
+
+## Quando usar amostragem
+
+Considere usar amostragem se você atender a qualquer um dos seguintes critérios:
+
+- Você gera 1.000 ou mais rastros por segundo.
+- A maior parte dos seus rastros representa tráfego saudável com pouca variação
+  nos dados.
+- Você tem alguns critérios comuns, como erros ou alta latência, que geralmente
+  significam que algo está errado.
+- Você tem critérios específicos de domínio que você pode usar para determinar
+  dados relevantes além de erros e latência.
+- Você consegue descrever algumas regras comuns que determinam se o dado deve
+  ser amostrado ou descartado.
+- Você consegue diferenciar seus serviços, para que serviços de alto e baixo
+  volume sejam amostrados de forma diferente.
+- Você tem a capacidade de rotear dados não amostrados (para cenários de "por
+  via das dúvidas") para sistemas de armazenamento de baixo custo.
+
+Por fim, considere seu orçamento em geral. Se você tem um orçamento limitado
+para observabilidade, mas pode dedicar tempo para realizar uma amostragem
+eficaz, então a amostragem geralmente vale a pena.
+
+## Quando não usar amostragem
+
+A amostragem pode não servir para você. Você talvez queira evitar a amostragem
+se atender a qualquer um dos seguintes critérios:
+
+- Você gera poucos dados (dezenas de pequenos rastros por segundo ou menos).
+- Você só usa dados de observabilidade de forma agregada, portanto, pode
+  pré-agregar os dados.
+- Você está limitado por outros fatores, como por exemplo, regulamentações que
+  proíbem descartar dados (e não pode rotear dados não amostrados para
+  armazenamento de baixo custo).
+
+Por fim, considere os seguintes três custos associados à amostragem:
+
+1. O custo direto de computação para amostrar dados de forma eficaz, como um
+   _proxy_ de amostragem pela cauda.
+2. O custo indireto de engenharia para manter metodologias de amostragem
+   eficazes à medida que mais aplicações, sistemas e dados são envolvidos.
+3. O custo indireto de oportunidade de perder informações críticas com técnicas
+   de amostragem ineficazes.
+
+A amostragem, embora eficaz na redução dos custos de observabilidade, pode
+introduzir outros custos inesperados se não for realizada corretamente. Poderia
+ser mais barato alocar mais recursos para observabilidade, seja através de um
+fornecedor ou com recursos computacionais em hospedagem própria, dependendo do
+seu _backend_ de observabilidade, da natureza dos seus dados e das suas
+tentativas de realizar amostragem de forma eficaz.
+
+## Amostragem pela Cabeça
+
+A amostragem pela cabeça (_head sampling_) é uma técnica de amostragem usada
+para tomar uma decisão de amostragem o mais cedo possível. A decisão de amostrar
+ou descartar um trecho ou um rastro não é feita inspecionando o rastro como um
+todo.
+
+Por exemplo, a forma mais comum de amostragem pela cabeça é a
+[Amostragem de Probabilidade Consistente](/docs/specs/otel/trace/tracestate-probability-sampling/#consistent-probability-sampling).
+Isso também é conhecido como Amostragem Determinística. Neste caso, uma decisão
+de amostragem é tomada com base no ID do rastro e na porcentagem desejada de
+rastros a serem amostrados. Isso garante que rastros inteiros sejam amostrados -
+sem trechos faltantes - a uma taxa consistente, como 5% de todos os rastros.
+
+As vantagens da amostragem pela cabeça são:
+
+- Fácil de entender
+- Fácil de configurar
+- Eficiente
+- Pode ser feita em qualquer ponto do _pipeline_ de coleta de rastros
+
+A principal desvantagem da amostragem pela cabeça é que não é possível tomar uma
+decisão de amostragem com base nos dados do rastro inteiro. Por exemplo, você
+não pode garantir que todos os rastros com um erro sejam amostrados apenas com a
+amostragem pela cabeça. Para essa situação e muitas outras, você precisa da
+amostragem pela cauda.
+
+## Amostragem pela Cauda
+
+A amostragem pela cauda (_tail sampling_) é onde a decisão de amostrar um rastro
+acontece considerando todos ou a maioria dos trechos dentro do rastro. A
+Amostragem de Cauda oferece a opção de amostrar seus rastros com base em
+critérios específicos derivados de diferentes partes de um rastro, o que não é
+uma opção com a Amostragem pela Cabeça.
+
+![Ilustração mostrando como os trechos se originam de um trecho raiz. Após os trechos serem concluídos, o processador de amostragem pela cauda toma uma decisão de amostragem.](tail-sampling-process.png)
+
+Alguns exemplos de como você pode usar a Amostragem pela Cauda incluem:
+
+- Sempre amostrar rastros que contenham um erro
+- Amostrar rastros com base na latência geral
+- Amostrar rastros com base na presença ou valor de atributos específicos em um
+  ou mais trechos de um rastro; por exemplo, amostrar mais rastros originados de
+  um serviço recém-implantado
+- Aplicar diferentes taxas de amostragem a rastros com base em certos critérios,
+  como quando os rastros vêm apenas de serviços de baixo volume versus rastros
+  de serviços de alto volume.
+
+Como você pode ver, a amostragem pela cauda permite um grau muito maior de
+sofisticação na forma como você amostra os dados. Para sistemas maiores que
+devem amostrar telemetria, é quase sempre necessário usar a Amostragem pela
+Cauda para equilibrar o volume de dados com a utilidade desses dados.
+
+Existem três principais desvantagens na amostragem pela cauda atualmente:
+
+1. A amostragem pela cauda pode ser difícil de implementar. Dependendo dos tipos
+   de técnicas de amostragem a sua disposição, nem sempre é uma decisão do tipo
+   "configurar e esquecer". À medida que seus sistemas mudam, suas estratégias
+   de amostragem também mudarão. Para um sistema distribuído grande e
+   sofisticado, as regras que implementam estratégias de amostragem também podem
+   ser grandes e sofisticadas.
+2. A amostragem pela cauda pode ser difícil de operar. O(s) componente(s) que
+   implementam a amostragem pela cauda devem ser sistemas com estado que podem
+   aceitar e armazenar uma grande quantidade de dados. Dependendo dos padrões de
+   tráfego, isso pode exigir dezenas ou até centenas de nós de computação que
+   utilizam recursos de maneira diferente. Além disso, um amostrador pela cauda
+   pode precisar "recorrer" a técnicas de amostragem menos intensivas
+   computacionalmente se não conseguir acompanhar o volume de dados que está
+   recebendo. Por conta desses fatores, é crucial monitorar os componentes de
+   amostragem pela cauda para garantir que eles tenham os recursos necessários
+   para tomar as decisões corretas de amostragem.
+3. Atualmente, os amostradores pela cauda frequentemente acabam sendo
+   tecnologias específicas de fornecedores. Se você está usando um fornecedor
+   pago para Observabilidade, as opções mais eficazes de amostragem pela cauda
+   disponíveis para você podem ser limitadas ao que o fornecedor oferece.
+
+Por fim, para alguns sistemas, a amostragem pela cauda pode ser usada em
+conjunto com a Amostragem pela Cabeça. Por exemplo, um conjunto de serviços que
+produz um volume extremamente alto de dados de rastreamento pode primeiro usar a
+amostragem pela cabeça para amostrar apenas uma pequena porcentagem dos rastros
+e, posteriormente, no _pipeline_ de telemetria usar a amostragem pela cauda para
+tomar decisões de amostragem mais sofisticadas antes de exportar para um
+_backend_. Isso é frequentemente feito com o intuito de proteger o _pipeline_ de
+telemetria contra sobrecarga.
+
+## Suporte
+
+### Collector
+
+O OpenTelemetry Collector inclui os seguintes processadores de amostragem:
+
+- [Processador de Amostragem Probabilística](https://github.com/open-telemetry/opentelemetry-collector-contrib/tree/main/processor/probabilisticsamplerprocessor)
+- [Processador de Amostragem pela Cauda](https://github.com/open-telemetry/opentelemetry-collector-contrib/tree/main/processor/tailsamplingprocessor)
+
+### SDKs de Linguagens de programação
+
+Para as implementações específicas de cada linguagem da API e SDK do
+OpenTelemetry, você vai encontrar suporte para amostragem nas respectivas
+páginas de documentação:
+
+{{% sampling-support-list " " %}}
+
+### Fornecedores
+
+Muitos [fornecedores](/ecosystem/vendors) oferecem soluções abrangentes de
+amostragem que incorporam amostragem pela cabeça, amostragem pela cauda e outros
+recursos que podem atender a necessidades sofisticadas de amostragem. Essas
+soluções também podem ser otimizadas especificamente para o _backend_ do
+fornecedor. Se você está enviando telemetria para um fornecedor, considere usar
+as soluções de amostragem deles.