DifficileChoix unique

Question d'entraînement DP-900

Une entreprise de services financiers doit construire un pipeline de données qui ingère des fichiers de transactions quotidiens provenant de plusieurs sources. Le pipeline doit effectuer des contrôles de qualité des données, transformer les données à l'aide d'une logique métier complexe et les charger dans Azure Synapse Analytics. Les transformations impliquent un branchement conditionnel (par exemple, si le montant d'une transaction dépasse un seuil, appliquer une validation supplémentaire). L'entreprise souhaite minimiser l'effort de codage et préfère une approche visuelle basée sur la configuration. Quel service Azure doivent-ils utiliser comme moteur principal d'orchestration et de transformation ?

Choisissez la meilleure réponse.

Bonne réponse

  • AAzure Data Factory avec Data Flows

Explication

Azure Data Factory avec Data Flows est le bon choix car il fournit une interface visuelle basée sur la configuration pour l'orchestration et la transformation, incluant la prise en charge d'une logique métier complexe telle que le branchement conditionnel (par exemple, via des transformations de division conditionnelle). Il s'intègre nativement à Azure Synapse Analytics pour charger les données transformées, minimisant l'effort de codage par rapport aux alternatives lourdes en code.

Pourquoi chaque option est juste ou fausse

A

Juste

Azure Data Factory avec Data Flows

Les flux de données de mappage offrent un canevas visuel sans code pour le branchement conditionnel et les transformations complexes, répondant à l'exigence de minimiser l'effort de codage. Azure Data Factory orchestre l'ingestion nocturne et le chargement dans Azure Synapse Analytics, de sorte qu'aucun moteur de calcul distinct n'est nécessaire.

B

Fausse

Azure Databricks avec notebooks

Les notebooks Databricks nécessitent l'écriture de code Scala ou PySpark, ce qui contredit la préférence déclarée pour le développement visuel basé sur la configuration avec un codage minimal. Databricks convient à l'ingénierie personnalisée à grande échelle et à l'analytique avancée. Les flux de données de mappage d'Azure Data Factory fournissent la transformation visuelle et le branchement conditionnel dont ce pipeline a besoin.

C

Fausse

Azure Stream Analytics

Stream Analytics traite les données de streaming avec des requêtes de type SQL sur une fenêtre temporelle, et non des fichiers par lots quotidiens nécessitant une transformation visuelle et un branchement conditionnel. Il convient à la télémétrie en temps réel et à l'ingestion d'événements. Les flux de données de mappage d'Azure Data Factory fournissent la transformation par lots basée sur la configuration et le chargement dans Synapse requis ici.

D

Fausse

Azure Logic Apps

Logic Apps orchestre les flux de travail d'applications et de systèmes via des connecteurs, et non la transformation de données en bloc avec une logique métier complexe et un branchement conditionnel sur des ensembles de données. Il convient à l'intégration pilotée par les événements entre services. Les flux de données de mappage d'Azure Data Factory gèrent la transformation de données visuelle et basée sur la configuration ainsi que le chargement dans Synapse.

Pour aller plus loin

Les flux de données de mappage (mapping data flows) d'Azure Data Factory s'exécutent sur des clusters Spark approvisionnés par ADF, mais le développeur crée des transformations visuellement dans un graphique : source, colonne dérivée (derived column), division conditionnelle (conditional split), agrégation (aggregate), récepteur (sink). Le branchement conditionnel tel que la validation de montants supérieurs à un seuil s'exprime avec une transformation de division conditionnelle ou un filtre plus des colonnes dérivées, et les contrôles de qualité des données peuvent acheminer les lignes incorrectes vers un récepteur séparé. Les flux de données sont rédigés une seule fois et exécutés sur un runtime d'intégration managé, de sorte qu'aucun code Spark n'est écrit. Les notebooks Databricks nécessitent du codage en Scala/Python ; Stream Analytics cible le streaming plutôt que des fichiers par lots quotidiens ; Logic Apps est une automatisation de flux de travail et non une transformation à grande échelle. Un scénario réaliste : les fichiers de transactions nocturnes atterrissent dans ADLS Gen2, un pipeline ADF doté d'un flux de données valide, ramifie et charge les lignes propres dans Synapse.

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.