FacileChoix unique

Question d'entraînement DP-900

Une entreprise manufacturière collecte des données de capteurs provenant d'équipements sur le site de production. Les données sont générées en continu et doivent être traitées immédiatement pour détecter les anomalies et déclencher des alertes. Quel type de charge de travail de traitement des données décrit le mieux ce scénario ?

Choisissez la meilleure réponse.

Bonne réponse

  • BStream processing

Explication

Le scénario nécessite l'ingestion continue de données et un traitement immédiat pour détecter les anomalies et déclencher des alertes, ce qui est la caractéristique déterminante du traitement de flux. Des technologies telles que Azure Stream Analytics ou Apache Kafka sont conçues pour gérer des flux de données non bornés avec un traitement à faible latence, contrairement au traitement par lots qui fonctionne sur des jeux de données statiques à des intervalles planifiés.

Pourquoi chaque option est juste ou fausse

A

Fausse

Batch processing

Le traitement par lots ingère les données par blocs planifiés, de sorte que les anomalies ne feraient surface qu'après l'exécution de chaque tâche, et non à l'arrivée des événements. Il convient aux rapports périodiques sur des ensembles de données stockés, tels que l'agrégation nocturne de quarts de production terminés.

B

Juste

Stream processing

Le traitement de flux gère les données en continu à mesure qu'elles arrivent, en appliquant des transformations et des analyses en quelques secondes au lieu d'attendre des lots. Cela correspond à l'exigence de traiter immédiatement les lectures des capteurs pour la détection des anomalies et les alertes, contrairement au traitement par lots, qui introduit une latence inadaptée à la surveillance en temps réel.

C

Fausse

Transactional processing

Le traitement transactionnel gère des opérations discrètes et atomiques telles que la saisie de commandes ou les paiements, et non des flux de capteurs continus. C'est tentant car les systèmes d'usine enregistrent également des transactions, mais la détection d'anomalies sur la télémétrie en streaming nécessite un traitement de flux, qui ingère et analyse les événements en mouvement plutôt que de valider des enregistrements isolés.

D

Fausse

Analytical processing

Le traitement analytique lit les données historiques stockées par lots pour prendre en charge les rapports et l'analyse des tendances, de sorte qu'il ne peut pas agir sur les lectures des capteurs à leur arrivée. C'est tentant car les deux charges de travail gèrent de grands volumes de données, mais les moteurs analytiques interrogent au repos ; le traitement de flux est requis lorsque chaque événement doit être évalué immédiatement pour déclencher des alertes.

Pour aller plus loin

Le traitement de flux ingère et analyse les données en continu à mesure que les événements arrivent, généralement avec une faible latence, en utilisant des moteurs tels que Azure Stream Analytics, Event Hubs ou Spark Structured Streaming. Les événements circulent dans un pipeline où les fonctions de fenêtrage s'agrègent sur des tranches de temps et des règles ou modèles détectent des anomalies, émettant des alertes en quelques secondes. Cela diffère du traitement par lots, qui accumule les données et les traite selon un calendrier, et du traitement transactionnel, qui gère des opérations commerciales distinctes comme la saisie de commandes. Une subtilité : les systèmes de flux utilisent souvent une sémantique de temps d'événement par rapport au temps de traitement, et les événements arrivant en retard nécessitent des filigranes ou des retards autorisés pour éviter des résultats perdus ou désordonnés. Dans un scénario d'usine, les lectures de vibration ou de température diffusées par les capteurs peuvent déclencher des alertes de maintenance immédiates, tandis que l'analyse par lots nocturne ne détecterait l'anomalie qu'après qu'un dommage potentiel de l'équipement se soit produit.

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.