MoyenneChoix unique

Question d'entraînement DP-900

Une équipe d'ingénierie des données doit transformer des données brutes de flux de clics stockées sous forme de fichiers Parquet dans Azure Data Lake Storage Gen2. Elle souhaite utiliser des requêtes T-SQL standard pour effectuer des transformations et des agrégations. L'équipe préfère une option sans serveur pour éviter de provisionner et de gérer des ressources de calcul dédiées. Quel service Azure doivent-ils utiliser ?

Choisissez la meilleure réponse.

Bonne réponse

  • AAzure Synapse Serverless SQL pool

Explication

Azure Synapse Serverless SQL pool permet d'interroger des fichiers Parquet dans Azure Data Lake Storage Gen2 à l'aide de T-SQL standard sans provisionner de ressources de calcul dédiées. Il met à l'échelle automatiquement le calcul en fonction de la demande des requêtes, ce qui le rend idéal pour les transformations et agrégations ad hoc sur des données brutes avec un modèle sans serveur de paiement à la requête.

Pourquoi chaque option est juste ou fausse

A

Juste

Azure Synapse Serverless SQL pool

Azure Synapse Serverless SQL pool interroge directement les fichiers Parquet dans Azure Data Lake Storage Gen2 à l'aide de T-SQL, sans calcul provisionné à gérer. Il est facturé par requête, ce qui répond à la fois à la contrainte sans serveur et à l'exigence de transformation T-SQL standard dans l'énoncé.

B

Fausse

Azure Synapse Dedicated SQL pool

Un Dedicated SQL pool nécessite un calcul provisionné et toujours actif, et ne s'exécute pas sans serveur, il échoue donc à la préférence déclarée. Il est tentant car il prend en charge les transformations T-SQL sur Parquet dans ADLS Gen2, et serait correct lorsqu'une performance prévisible et réservée pour de grandes charges de travail soutenues est requise.

C

Fausse

Azure Databricks

Databricks s'exécute sur des clusters provisionnés et ses carnets de notes utilisent Spark SQL, PySpark ou Scala, et non du T-SQL standard sur un calcul sans serveur. Il est tentant car Databricks transforme bien les données Parquet dans Data Lake Storage Gen2, et serait correct pour l'ingénierie Spark à grande échelle avec un contrôle de cluster.

D

Fausse

Azure HDInsight

HDInsight provisionne et gère le calcul des clusters, ce qui contredit l'exigence sans serveur, et ses moteurs sont Spark, Hive et Kafka plutôt que T-SQL. Il est tentant car HDInsight traite le Big Data dans Data Lake Storage Gen2, et serait correct lorsqu'un contrôle complet du cluster sur des frameworks open source est nécessaire.

Pour aller plus loin

Les pools SQL sans serveur Azure Synapse interrogent les fichiers directement dans Azure Data Lake Storage Gen2 à l'aide de T-SQL, facturant par téraoctet de données traitées plutôt que pour le calcul provisionné. Ils lisent Parquet, Delta et CSV via OPENROWSET ou des tables externes, et le moteur pousse les prédicats et les projections de colonnes vers le bas pour réduire les octets analysés. Il n'y a pas d'étape de chargement des données, ce qui convient à l'exploration ad hoc et à la transformation de fichiers de flux de clics bruts. Les pools SQL dédiés nécessitent le provisionnement de DWU et le chargement de données dans des tables internes, Databricks utilise Spark avec des carnets de notes, et HDInsight provisionne des clusters Hadoop. Une limite pratique à retenir est que les pools sans serveur sont optimisés pour les requêtes, et non pour les écritures itératives lourdes, de sorte que les résultats sont souvent persistés vers le stockage sous forme d'instructions CETAS pour une consommation ultérieure.

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.