DifícilOpción múltiple

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.

Elige la mejor respuesta.

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.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Utilice Azure Databricks con Structured Streaming, almacene los datos en Delta Lake y utilice Power BI para paneles en tiempo real

Azure Databricks con Structured Streaming está basado en Apache Spark, el cual puede procesar flujos de eventos de alto volumen, pero introduce una sobrecarga operativa significativa: debe administrar clústeres, configurar puntos de control de streaming y ajustar los trabajos de Spark. Para una regla de alerta simple en 10,000 eventos/sec, Azure Stream Analytics ofrece un motor basado en SQL declarativo y totalmente administrado con latencia de subsegundo, mientras que Databricks típicamente incurre en segundos de latencia debido a la programación de trabajos de Spark y los intervalos de micro-lotes. Delta Lake es excelente para transacciones ACID y viaje en el tiempo, pero volcar los datos de streaming sin procesar directamente en Azure Data Lake Storage es más económico y simple, y los paneles en tiempo real de Power BI no pueden consumir Delta Lake de forma nativa sin servicios adicionales como Stream Analytics como puente.

B

Incorrecta

Utilice Azure Data Factory para ingerir eventos por lotes cada minuto, almacene en Azure Blob Storage y utilice Azure Analysis Services para análisis históricos

Azure Data Factory es una herramienta de orquestación y ETL por lotes, no un procesador de flujos en tiempo real. Un intervalo de lote de un minuto significa que los eventos pueden permanecer en el origen hasta 60 segundos antes de la ingestión, lo que viola inmediatamente el requisito de alerta de 10 segundos. Incluso si redujera el intervalo, la sobrecarga de programación y la falta de procesamiento de eventos nativo lo hacen impracticable para alertas de baja latencia. Azure Blob Storage es adecuado para datos sin procesar, pero Azure Analysis Services es una capa de modelado semántico diseñada para datos depurados y agregados, no para consultar directamente archivos sin procesar en un lago de datos; Azure Synapse Serverless SQL sería una opción mucho mejor para análisis históricos sobre Blob Storage.

C

Incorrecta

Utilice Azure Functions para procesar eventos, almacene datos en Azure Cosmos DB y utilice Power BI para análisis históricos

Azure Functions está basado en eventos y puede escalar horizontalmente, pero a 10,000 eventos/sec, cada invocación agrega sobrecarga por ejecución, incluidos arranques en frío e inicialización en tiempo de ejecución, lo que hace arriesgado garantizar una latencia de extremo a extremo de 10 segundos para las alertas. Almacenar todos los datos de eventos sin procesar en Azure Cosmos DB es prohibitivo en cuanto a costos porque Cosmos DB cobra por unidad de solicitud (RU) y está optimizado para cargas de trabajo operativas, no para almacenamiento de telemetría de alta velocidad. Además, usar Power BI para consultar Cosmos DB para análisis históricos es ineficiente porque el conector de Power BI está diseñado para conjuntos de resultados de pequeños a medianos; el patrón correcto es depositar los datos sin procesar en Data Lake Storage y usar un motor SQL sin servidor para manejar análisis a gran escala sin aprovisionar infraestructura.

D

Correcta

Utilice 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

Azure Stream Analytics es un motor de procesamiento de flujos totalmente administrado que utiliza consultas similares a SQL para filtrar, agregar y emitir alertas en tiempo real, manejando fácilmente 10,000 eventos/sec con particionamiento y baja latencia. Puede escribir resultados sin procesar o procesados en Azure Data Lake Storage, lo que proporciona un almacenamiento escalable y rentable para telemetría de alto volumen. Azure Synapse Serverless SQL puede consultar directamente esos archivos usando T-SQL, permitiendo análisis históricos en el mismo lago de datos sin cargarlos en un almacén separado o administrar computación. Esta combinación separa limpiamente la ruta activa (alertas en tiempo real) de la ruta fría (análisis históricos) al tiempo que minimiza la sobrecarga operativa y cumple con todos los requisitos de latencia.

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.