Pregunta de práctica de DP-900
Usted es un arquitecto de datos para una organización de atención médica. La organización necesita construir una solución de análisis en tiempo real para monitorear los signos vitales de los pacientes desde dispositivos IoT. Los datos llegan a una tasa de 10,000 eventos por segundo. Cada evento contiene la identificación del paciente, la marca de tiempo, la frecuencia cardíaca, la presión arterial y la saturación de oxígeno. La solución debe alertar a los médicos en un plazo de 10 segundos cuando los signos vitales de un paciente superen los umbrales predefinidos. Además, la solución debe almacenar los datos sin procesar para análisis históricos y cumplimiento. Planea utilizar Azure Event Hubs para la ingesta. ¿Qué combinación de servicios debe utilizar para cumplir con los requisitos? Considere: procesar alertas de baja latencia, almacenar datos sin procesar en un almacenamiento rentable y habilitar análisis históricos. También debe asegurarse de que la solución pueda escalar para manejar el crecimiento futuro.
Respuesta correcta
- DUtilice Azure Stream Analytics para procesamiento y alertas en tiempo real, envíe los datos a Azure Data Lake Storage y utilice Azure Synapse Serverless SQL para análisis históricos
Explicación
Azure Stream Analytics proporciona procesamiento de flujos de baja latencia (subsegundo) y puede activar alertas dentro del requisito de 10 segundos. Enviar los datos sin procesar a Azure Data Lake Storage (ADLS) ofrece un almacenamiento rentable para el cumplimiento, y Azure Synapse Serverless SQL permite análisis históricos bajo demanda sin aprovisionar computación dedicada, escalando automáticamente para el crecimiento futuro.
Para profundizar
Esta pregunta evalúa la distinción entre el procesamiento de flujos en tiempo real y el análisis orientado a lotes en Azure. Azure Stream Analytics está diseñado específicamente para el procesamiento continuo de eventos con ventanas temporales, puntos de control y semántica de exactamente una vez, lo que lo convierte en el servicio principal para alertas de subsegundo en datos de alta velocidad. Una idea errónea común es que cualquier servicio de computación puede volverse 'en tiempo real' invocándolo frecuentemente, pero el verdadero streaming requiere un motor de consultas persistente que procese los eventos a medida que llegan, no un programador por lotes. El patrón de diseño aquí separa la ruta activa —Stream Analytics para alertas inmediatas— de la ruta fría —Data Lake Storage para el almacenamiento sin procesar económico y Synapse Serverless para consultas bajo demanda. Un detalle sutil es que los paneles en tiempo real de Power BI a menudo dependen de Stream Analytics como puente, porque la consulta directa de Power BI no es adecuada para ingerir miles de eventos por segundo. Comprender dónde colocar el límite entre el streaming y el procesamiento por lotes, y por qué se prefiere Data Lake Storage para los datos sin procesar en lugar de bases de datos como Cosmos DB, es fundamental para la cobertura de cargas de trabajo de datos analíticos en DP-900.
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.