o problema
Um banco relacional só responde depois que alguém desenhou o esquema. Numa empresa com trezentas fontes — planilha de área, base legada, exportação de crm, diretório de arquivos, tabela de um sistema comprado numa aquisição — desenhar o esquema mediado e escrever os mapeamentos é um projeto de meses, e o projeto precisa terminar antes da primeira consulta. Quem paga esse custo está apostando adiantado que existe valor do outro lado. Na maioria das vezes ninguém aposta, e as fontes ficam onde estão.
Do outro lado tem a busca por palavra-chave, que não pede esquema nenhum e por isso responde no primeiro dia — só que responde mal quando a pergunta tem estrutura. “Quais documentos citam o cliente X num contrato assinado depois de 2005” não é uma consulta de texto, mas também não é uma consulta sql enquanto ninguém disser onde mora “cliente” e onde mora “data de assinatura”. O buraco entre as duas coisas é grande e é justamente onde vive o dado real das organizações. Dataspace é o nome que a área deu para esse meio-termo: um conjunto de fontes heterogêneas que você quer consultar já, aceitando integrar melhor depois, aos poucos, e só onde doer.
a ideia
O título carrega a aposta. Se o esquema mediado não existe no dia zero, a peça que precisa carregar a consulta é o índice. Não o índice como otimização de um plano que já se sabe escrever, mas o índice como a estrutura primária do sistema: o lugar onde entram itens de tipos diferentes, com atributos que ninguém normalizou, e de onde saem respostas para perguntas que misturam palavra-chave, valor de atributo e associação entre itens sem que a pergunta declare qual é qual.
Uma ressalva antes de seguir: da página do Google Research vieram o título, os autores e o veículo — o texto do resumo não estava lá. O que está escrito acima é o problema que o título nomeia. O mecanismo que Dong e Halevy propuseram para resolvê-lo não aparece neste verbete porque eu não o li.
o que isso custou
Pelo mesmo motivo, não dá para listar aqui as limitações que os próprios autores declaram. Elas existem no paper e não passaram por este texto.
O que dá para dizer é o custo estrutural da posição. Um índice que aceita dado sem esquema devolve resultado ranqueado, e ranking não é resposta correta: é palpite ordenado. Consulta sobre dataspace herda a semântica da busca, com recall e precisão, e não a semântica do banco, com resultado exato e reprodutível — o que exclui de saída todo caso de uso que precisa fechar balanço. Além disso, “pay-as-you-go” é crédito, não desconto: o mapeamento entre fontes continua sendo trabalho humano, apenas fatiado e adiado. Sistema que adia integração indefinidamente acumula um índice grande sobre uma pilha que ninguém entende, e a dívida aparece no dia em que alguém pergunta se dois registros são a mesma pessoa.
onde isso aparece hoje
O vocabulário mudou, o problema não. Data lake é dataspace com outro nome comercial, e a tentativa de devolver garantias transacionais a ele virou o Lakehouse. A linha de extrair estrutura de fontes que não a declaram continuou no Google e aparece em Web-Scale Extraction of Structured Data. E a discussão sobre quando vale exigir esquema antes de consultar é a mesma que Stonebraker refaz em What Goes Around Comes Around, a cada geração que redescobre o meio-termo.