MediaOpción múltiple

Pregunta de práctica de DP-900

Una empresa almacena terabytes de datos de registros (logs) de servidores web en archivos CSV en Azure Data Lake Storage Gen2. Los analistas de datos necesitan ejecutar consultas SQL ad-hoc sobre estos datos para analizar patrones de comportamiento de los usuarios. Las consultas son complejas, involucran cruces (joins) entre múltiples archivos, y los analistas prefieren no mover los datos a un almacenamiento separado. ¿Qué servicio de Azure deben utilizar?

Elige la mejor respuesta.

Respuesta correcta

  • BAzure Synapse Serverless SQL pool

Explicación

Azure Synapse Serverless SQL pool es la opción correcta porque permite a los analistas ejecutar consultas T-SQL directamente contra archivos CSV almacenados en Azure Data Lake Storage Gen2 sin mover los datos. Utiliza un motor de consultas distribuido para procesar uniones complejas a través de múltiples archivos, lo que lo hace ideal para análisis ad-hoc en datos de registros a gran escala.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Azure Data Factory

Azure Data Factory es incorrecto porque es un servicio de integración y orquestación de datos utilizado para construir canalizaciones (pipelines) ETL/ELT, no un motor de consultas. No puede ejecutar consultas T-SQL ad-hoc contra archivos CSV; simplemente mueve o transforma datos de una ubicación a otra, invocando típicamente otros servicios de cómputo como grupos SQL, Azure Databricks o HDInsight. Aunque ADF podría potencialmente copiar los datos CSV en un almacén consultable, eso introduce pasos innecesarios y contradice el requisito de que los analistas consulten directamente los registros sin movimiento de datos ni orquestación de canalizaciones.

B

Correcta

Azure Synapse Serverless SQL pool

Azure Synapse Serverless SQL pool es la opción correcta porque proporciona un motor de consultas T-SQL sin servidor que lee archivos directamente desde Azure Data Lake Storage sin requerir que los datos se carguen en una base de datos. Puede consultar terabytes de registros CSV bajo demanda, utilizando recursos de cómputo que se escalan automáticamente con la cantidad de datos escaneados, lo que lo hace ideal para análisis ad-hoc con aprovisionamiento de infraestructura cero. El servicio admite la inferencia de metadatos para archivos CSV y se integra con herramientas T-SQL estándar, para que los analistas puedan ejecutar inmediatamente consultas SQL sobre los datos de registro sin procesar exactamente donde están almacenados.

C

Incorrecta

Azure SQL Database

Azure SQL Database es incorrecto porque es una base de datos relacional totalmente administrada que requiere que los datos se importen físicamente en tablas antes de que se pueda ejecutar cualquier consulta. El requisito exige explícitamente mantener los datos en su lugar y ejecutar consultas SQL ad-hoc en archivos CSV, pero Azure SQL Database obligaría a mover, transformar y cargar los terabytes de datos de registro en el almacenamiento, incurriendo en costos de movimiento de datos, latencia y cargos de almacenamiento continuos. Además, no está diseñado para consultar directamente archivos externos como CSV, por lo que no cumple con el requisito central de 'consultar en el lugar'.

D

Incorrecta

Azure HDInsight

HDInsight es un servicio de clúster administrado para frameworks de big data como Spark y Hadoop, no un motor de consultas SQL sin servidor. Falla porque los analistas necesitan consultas SQL ad-hoc sin aprovisionar ni administrar clústeres, y HDInsight requiere configurar y escalar un clúster activo para ejecutar consultas interactivas. Es tentador porque HDInsight admite interfaces similares a SQL (por ejemplo, Hive o Spark SQL) y puede consultar archivos CSV en Data Lake Storage, lo que lo convierte en una opción correcta para procesamiento por lotes (batch) o cargas de trabajo ETL donde la administración de clústeres es aceptable.

Para profundizar

Esta pregunta se centra en la distinción entre los motores de consulta sin servidor (serverless) y las plataformas de datos administradas. Azure Synapse Serverless SQL pool es un motor de consultas SQL distribuido que expone datos externos en Azure Data Lake como tablas relacionales, realizando inferencia de esquemas al vuelo (on the fly) y utilizando un modelo de precios de pago por consulta basado en el volumen de datos escaneados. A diferencia de las bases de datos relacionales tradicionales, no declara un almacenamiento de tablas persistente; cada consulta lee los datos directamente de los archivos subyacentes. Un detalle sutil pero importante: el SQL sin servidor puede implicar un costo significativo si se escanean enormes archivos de registros repetidamente en cargas de trabajo ad-hoc, por lo que particionar rutas de archivos o usar la poda de archivos (file pruning, por ejemplo, por fecha) se vuelve crítico para controlar los gastos. Un error común es pensar que cualquier servicio que comience con 'SQL' requiere una base de datos; aquí, el término 'serverless SQL pool' es puramente una interfaz de consulta, no una base de datos almacenada. Además, aunque Azure HDInsight puede consultar archivos CSV con Hive o Spark SQL, requiere aprovisionamiento y administración de clústeres, lo que lo hace inadecuado para consultas ad-hoc con una configuración mínima. La implicación en el mundo real es que para los analistas que necesitan acceso SQL instantáneo a lagos de datos sin procesar, las herramientas de consulta sin servidor como Synapse SQL o Azure Data Explorer proporcionan el mejor equilibrio entre agilidad y costo, mientras que los servicios de bases de datos y ETL son más adecuados para rutas de acceso curadas y de alto rendimiento.

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de DP-900 de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.

Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.