FácilOpción múltiple

Pregunta de práctica de DP-900

Una empresa de fabricación almacena dos tipos de datos: (1) lecturas de sensores en tiempo real de máquinas de producción utilizadas para supervisar el estado actual de la máquina, y (2) resúmenes de producción diarios históricos utilizados por los gerentes para identificar tendencias a lo largo de los meses. ¿Qué afirmación describe con precisión estas cargas de trabajo?

Elige la mejor respuesta.

Respuesta correcta

  • BLas lecturas de sensores son una carga de trabajo OLTP; los resúmenes diarios son una carga de trabajo OLAP.

Explicación

Las lecturas de sensores en tiempo real implican inserciones frecuentes y pequeñas y búsquedas puntuales (típicas de una carga de trabajo OLTP), mientras que los resúmenes diarios históricos son datos agregados utilizados para el análisis de tendencias a lo largo de los meses (típicos de una carga de trabajo OLAP). Los sistemas OLTP manejan operaciones transaccionales de alto volumen, mientras que los sistemas OLAP admiten consultas complejas y agregaciones en grandes conjuntos de datos históricos.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Las lecturas de sensores son una carga de trabajo OLAP; los resúmenes diarios son una carga de trabajo OLTP.

Esto invierte los dos tipos de carga de trabajo. OLAP está diseñado para consultas analíticas complejas y agregaciones sobre grandes conjuntos de datos históricos, no para escrituras de alta frecuencia y baja latencia. Las lecturas de sensores llegan continuamente como transacciones discretas de alto volumen que actualizan un almacén de series temporales, un paradigma que se alinea con OLTP (procesamiento de transacciones en línea). Los resúmenes diarios son el resultado de transformaciones analíticas sobre esas lecturas brutas, que es la esencia de OLAP. Por lo tanto, etiquetar la ingesta de sensores como OLAP y la generación de resúmenes como OLTP caracteriza erróneamente los patrones de acceso.

B

Correcta

Las lecturas de sensores son una carga de trabajo OLTP; los resúmenes diarios son una carga de trabajo OLAP.

Las lecturas de sensores representan OLTP porque cada lectura es una transacción atómica: inserciones frecuentes y pequeñas que requieren tiempos de respuesta rápidos, a menudo con garantías ACID, y que típicamente involucran a un solo sensor o a un lote pequeño a la vez. Los resúmenes diarios representan OLAP porque se producen al agregar millones de lecturas de sensores en totales, promedios o tendencias: consultas analíticas complejas y de larga duración que respaldan la toma de decisiones. Esta distinción se alinea con la separación clásica entre sistemas transaccionales que capturan operaciones y sistemas analíticos que respaldan informes.

C

Incorrecta

Las lecturas de sensores son una carga de trabajo NoSQL; los resúmenes diarios son una carga de trabajo relacional.

La categorización en NoSQL frente a relacional es ortogonal a la distinción OLTP/OLAP. Las lecturas de sensores podrían almacenarse en una base de datos relacional (por ejemplo, Azure SQL Database) o en un almacén NoSQL (por ejemplo, Azure Cosmos DB) según la flexibilidad del esquema, la escala y los patrones de acceso; la carga de trabajo sigue siendo OLTP si la operación dominante son las escrituras puntuales. De manera similar, los resúmenes diarios podrían construirse en un almacén de datos relacional o mediante una canalización NoSQL, pero eso no los hace 'relacionales': son agregados analíticos y la clasificación correcta es OLAP. La opción confunde erróneamente la tecnología de almacenamiento con el tipo de carga de trabajo.

D

Incorrecta

Las lecturas de sensores son una carga de trabajo por lotes; los resúmenes diarios son una carga de trabajo en tiempo real.

Esta opción invierte la dinámica real de tiempo real y por lotes. Las lecturas de sensores se transmiten al sistema casi en tiempo real (piense en dispositivos IoT que emiten datos cada segundo), por lo que la carga de trabajo de ingesta es de transmisión en tiempo real, no por lotes. Los resúmenes diarios, por otro lado, se calculan periódicamente (por ejemplo, cada 24 horas) mediante la ejecución de trabajos por lotes sobre los datos recopilados, por lo que representan una carga de trabajo por lotes. Denominar a las lecturas de sensores como por lotes implica que se procesan en grandes fragmentos con latencia, mientras que denominar a los resúmenes diarios como en tiempo real ignora la naturaleza programada y agregada del cálculo. La clasificación de la carga de trabajo debe coincidir con la cadencia de ingesta y procesamiento, lo que es opuesto a lo que afirma esta opción.

Para profundizar

Esta pregunta evalúa la distinción fundamental entre OLTP (Procesamiento de Transacciones en Línea) y OLAP (Procesamiento Analítico en Línea), que es un concepto central de cargas de trabajo de datos en Azure. Los sistemas OLTP están optimizados para transacciones de alta frecuencia y corta duración (como la inserción de la lectura de un sensor) y suelen utilizar esquemas normalizados, almacenamiento basado en filas y índices que favorecen las búsquedas y actualizaciones puntuales. Los sistemas OLAP, por el contrario, están optimizados para agregaciones complejas y pesadas en lecturas sobre conjuntos de datos masivos, utilizando almacenamiento columnar (por ejemplo, Azure Synapse Dedicated SQL Pool, Azure Data Lake) y esquemas desnormalizados como estrella o copo de nieve. Un error común es equiparar NoSQL con OLAP o asumir que todos los grandes datos son analíticos; en realidad, una base de datos NoSQL como Azure Cosmos DB puede atender cargas de trabajo OLTP con una latencia de un solo dígito de milisegundo, mientras que las bases de datos relacionales también pueden admitir consultas analíticas. En una canalización de análisis de fabricación, a menudo se ve una arquitectura híbrida: las lecturas de sensores fluyen hacia un almacén transaccional o intermediario de mensajes (OLTP), luego un servicio de orquestación (por ejemplo, Azure Data Factory) ejecuta canalizaciones por lotes para transformar y cargar resúmenes agregados en un almacén de datos (OLAP). Esto es análogo a la arquitectura Lambda o Kappa, donde las transmisiones en tiempo real y las capas por lotes sirven para diferentes propósitos. Comprender este matiz ayuda a los profesionales de datos de Azure a elegir el servicio adecuado (Azure SQL Database o Cosmos DB para OLTP, Azure Synapse o Azure Analysis Services para OLAP) y evita la trampa de clasificar las cargas de trabajo únicamente por la velocidad de los datos o la tecnología de almacenamiento.

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.