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

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

@@ -0,0 +1,215 @@
+---
+title: Amostragem
+description:
+  Aprenda sobre amostragem e as diferentes opções de amostragem disponíves em
+  OpenTelemetry.
+weight: 80
+default_lang_commit: de60a8e2c5098e47eda3e12b006c5490bdb8a94e
+---
+
+Com [rastros](/docs/concepts/signals/traces), você pode observar as requisições
+conforme elas se movem de um serviço para outro em um sistema distribuído.
+Rastreamento é altamente prático tanto para análises de alto nível quanto para
+análises aprofundadas de sistemas.
+
+Contudo, se a grande maioria das suas requisições é bem sucedidas e terminam 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" ou "não amostrado":
+
+- **Amostrado**: Um rastro ou trecho é processado e exportado. Por ter sido
+  escolhido pelo amostrador como um representante da população, 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 1000 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 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 muito pouco dados (dezenas de pequenos rastros por segundo ou
+  menos).
+- Você só usa dados de observabilidade de forma agregada e, portanto, pode
+  pré-agregar os dados.
+- Você está limitado por circunstâncias como 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 de 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 de corretamente.
+Poderia ser mais barato alocar mais recursos para observabilidade, seja com um
+fornecedor ou com computação ao hospedar por conta própria, dependendo do seu
+backend de observabilidade, da natureza dos seus dados e das suas tentativas de
+realizar amostragem de forma eficaz.
+
+## Amostragem de Cabeça
+
+A amostragem de cabeça 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 de 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 rastreio e na porcentagem desejada de
+rastreios a serem amostrados. Isso garante que rastreios inteiros sejam
+amostrados - sem trechos faltantes - a uma taxa consistente, como 5% de todos os
+rastreios.
+
+As vantagens da amostragem de cabeça são:
+
+- Fácil de entender
+- Fácil de configurar
+- Eficiente
+- Pode ser feita em qualquer ponto do pipeline de coleta de rastreios
+
+A principal desvantagem da amostragem de cabeça é que não é possível tomar uma
+decisão de amostragem com base nos dados do rastreio inteiro. Por exemplo, você
+não pode garantir que todos os rastreios com um erro sejam amostrados apenas com
+a amostragem de cabeça. Para essa situação e muitas outras, você precisa da
+amostragem de cauda.
+
+## Amostragem de Cauda
+
+A amostragem de cauda é onde a decisão de amostrar um rastreio acontece
+considerando todos ou a maioria dos trechos dentro do rastreio. A Amostragem de
+Cauda oferece a opção de amostrar seus rastreios com base em critérios
+específicos derivados de diferentes partes de um rastreio, o que não é uma opção
+com a Amostragem de Cabeça.
+
+![Ilustração mostrando como os trechos se originam de um trecho raiz. Após os trechos serem concluídos, o processador de amostragem de cauda toma uma decisão de amostragem.](tail-sampling-process.png)
+
+Alguns exemplos de como você pode usar a Amostragem de Cauda incluem:
+
+- Sempre amostrar rastreios que contenham um erro
+- Amostrar rastreios com base na latência geral
+- Amostrar rastreios com base na presença ou valor de atributos específicos em
+  um ou mais trechos de um rastreio; por exemplo, amostrar mais rastreios
+  originados de um serviço recém-implantado
+- Aplicar diferentes taxas de amostragem a rastreios com base em certos
+  critérios, como quando os rastreios vêm apenas de serviços de baixo volume
+  versus rastreios com serviços de alto volume.
+
+Como você pode ver, a amostragem de 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 de Cauda
+para equilibrar o volume de dados com a utilidade desses dados.
+
+Existem três principais desvantagens na amostragem de cauda atualmente:
+
+1. A amostragem de cauda pode ser difícil de implementar. Dependendo dos tipos
+   de técnicas de amostragem disponíveis para você, nem sempre é algo 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 de cauda pode ser difícil de operar. O(s) componente(s) que
+   implementam a amostragem de 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 de 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 de cauda para garantir que eles tenham os recursos necessários
+   para tomar as decisões corretas de amostragem.
+3. Atualmente, os amostradores de cauda frequentemente acabam sendo tecnologias
+   específicas de fornecedores. Se você está usando um fornecedor pago para
+   Observabilidade, as opções mais eficazes de amostragem de cauda disponíveis
+   para você podem ser limitadas ao que o fornecedor oferece.
+
+Por fim, para alguns sistemas, a amostragem de cauda pode ser usada em conjunto
+com a Amostragem de Cabeça. Por exemplo, um conjunto de serviços que produz um
+volume extremamente alto de dados de rastreamento pode primeiro usar a
+amostragem de cabeça para amostrar apenas uma pequena porcentagem dos rastros e,
+posteriormente, no pipeline de telemetria usar a amostragem de 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 de Cauda](https://github.com/open-telemetry/opentelemetry-collector-contrib/tree/main/processor/tailsamplingprocessor)
+
+### SDKs de Linguagens
+
+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 de cabeça, amostragem de 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.