FacileChoix unique

Question d'entraînement DP-900

Une entreprise manufacturière stocke deux types de données : (1) des lectures de capteurs en temps réel provenant de machines de production utilisées pour surveiller l'état actuel des machines, et (2) des résumés de production quotidiens historiques utilisés par les gestionnaires pour identifier les tendances sur plusieurs mois. Quelle affirmation décrit précisément ces charges de travail ?

Choisissez la meilleure réponse.

Bonne réponse

  • BLes lectures de capteurs sont une charge de travail OLTP ; les résumés quotidiens sont une charge de travail OLAP.

Explication

Les lectures de capteurs en temps réel impliquent des insertions fréquentes et de petite taille ainsi que des recherches ponctuelles (typiques d'une charge de travail OLTP), tandis que les résumés quotidiens historiques sont des données agrégées utilisées pour l'analyse des tendances sur des mois (typiques d'une charge de travail OLAP). Les systèmes OLTP gèrent des opérations transactionnelles à haut volume, tandis que les systèmes OLAP prennent en charge des requêtes complexes et des agrégations sur de grands ensembles de données historiques.

Pourquoi chaque option est juste ou fausse

A

Fausse

Les lectures de capteurs sont une charge de travail OLAP ; les résumés quotidiens sont une charge de travail OLTP.

Cela inverse les deux types de charges de travail. OLAP est conçu pour des requêtes analytiques complexes et des agrégations sur des ensembles de données vastes et historiques, et non pour des écritures à haute fréquence et à faible latence. Les lectures de capteurs arrivent en continu sous forme de transactions discrètes à haut volume qui mettent à jour un magasin de séries chronologiques, un paradigme qui s'aligne sur OLTP (traitement des transactions en ligne). Les résumés quotidiens sont le résultat de transformations analytiques sur ces lectures brutes, ce qui est l'essence même d'OLAP. Par conséquent, qualifier l'ingestion de capteurs d'OLAP et la génération de résumés d'OLTP caractérise faussement les modèles d'accès.

B

Juste

Les lectures de capteurs sont une charge de travail OLTP ; les résumés quotidiens sont une charge de travail OLAP.

Les lectures de capteurs représentent l'OLTP car chaque lecture est une transaction atomique : des insertions fréquentes et de petite taille qui nécessitent des temps de réponse rapides, souvent avec des garanties ACID, et impliquant généralement un seul capteur ou un petit lot à la fois. Les résumés quotidiens représentent l'OLAP car ils sont produits en agrégeant des millions de lectures de capteurs en totaux, moyennes ou tendances — des requêtes analytiques complexes et de longue durée qui soutiennent la prise de décision. Cette distinction s'aligne sur la séparation classique entre les systèmes transactionnels qui capturent les opérations et les systèmes analytiques qui soutiennent le reporting.

C

Fausse

Les lectures de capteurs sont une charge de travail NoSQL ; les résumés quotidiens sont une charge de travail relationnelle.

La catégorisation en NoSQL par rapport au relationnel est orthogonale à la distinction OLTP/OLAP. Les lectures de capteurs pourraient être stockées dans une base de données relationnelle (par exemple, Azure SQL Database) ou un magasin NoSQL (par exemple, Azure Cosmos DB) en fonction de la flexibilité du schéma, de l'échelle et des modèles d'accès ; la charge de travail reste OLTP si l'opération dominante est l'écriture ponctuelle. De même, les résumés quotidiens pourraient être construits dans un entrepôt de données relationnel ou via un pipeline NoSQL, mais cela ne les rend pas 'relationnels'—ce sont des agrégats analytiques, et la bonne classification est OLAP. L'option confond à tort la technologie de stockage avec le type de charge de travail.

D

Fausse

Les lectures de capteurs sont une charge de travail par lots ; les résumés quotidiens sont une charge de travail en temps réel.

Cette option inverse la dynamique réelle du temps réel et des lots. Les lectures de capteurs sont diffusées dans le système presque en temps réel — pensez à des appareils IoT émettant des données chaque seconde — de sorte que la charge de travail d'ingestion est un flux en temps réel, et non par lots. Les résumés quotidiens, en revanche, sont calculés périodiquement (par exemple, toutes les 24 heures) en exécutant des travaux par lots sur les données collectées, de sorte qu'ils représentent une charge de travail par lots. Qualifier les lectures de capteurs de par lots implique qu'elles sont traitées en gros morceaux avec de la latence, tandis que qualifier les résumés quotidiens de temps réel ignore la nature planifiée et agrégée du calcul. La classification de la charge de travail doit correspondre à la cadence d'ingestion et de traitement, ce qui est opposé à ce que cette option affirme.

Pour aller plus loin

Cette question teste la distinction fondamentale entre OLTP (Online Transaction Processing) et OLAP (Online Analytical Processing), qui est un concept central des charges de travail de données Azure. Les systèmes OLTP sont optimisés pour les transactions de courte durée et à haute fréquence — telles que l'insertion de la lecture d'un capteur — et utilisent généralement des schémas normalisés, un stockage basé sur les lignes et des index qui favorisent les recherches ponctuelles et les mises à jour. Les systèmes OLAP, en revanche, sont optimisés pour les agrégations complexes gourmandes en lectures sur des ensembles de données massifs, utilisant un stockage colonnaire (par exemple, Azure Synapse Dedicated SQL Pool, Azure Data Lake) et des schémas dénormalisés tels que l'étoile ou le flocon de neige. Une idée fausse courante est d'assimiler NoSQL à OLAP ou de supposer que toutes les données massives sont analytiques ; en réalité, une base de données NoSQL comme Azure Cosmos DB peut servir des charges de travail OLTP avec une latence de quelques millisecondes, tandis que les bases de données relationnelles peuvent également prendre en charge des requêtes analytiques. Dans un pipeline d'analyse de fabrication, vous voyez souvent une architecture hybride : les lectures de capteurs affluent dans un magasin transactionnel ou un courtier de messages (OLTP), puis un service d'orchestration (par exemple, Azure Data Factory) exécute des pipelines par lots pour transformer et charger des résumés agrégés dans un entrepôt de données (OLAP). C'est analogue à l'architecture Lambda ou Kappa, où les flux en temps réel et les couches par lots servent des objectifs différents. Comprendre cette nuance aide les professionnels des données Azure à choisir le bon service — Azure SQL Database ou Cosmos DB pour OLTP, Azure Synapse ou Azure Analysis Services pour OLAP — et évite le piège de classer les charges de travail uniquement par la vitesse des données ou la technologie de stockage.

À propos de ces questions d'entraînement

Cette question fait partie des questions d'entraînement DP-900 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.

Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.