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.
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.