Resposta correta
- BAs leituras de sensores são uma carga de trabalho OLTP; os resumos diários são uma carga de trabalho OLAP.
Explicação
As leituras de sensores em tempo real envolvem inserções frequentes e pequenas, além de buscas pontuais (típicas de uma carga de trabalho OLTP), enquanto os resumos diários históricos são dados agregados usados para análise de tendências ao longo de meses (típicos de uma carga de trabalho OLAP). Os sistemas OLTP lidam com operações transacionais de alto volume, enquanto os sistemas OLAP suportam consultas complexas e agregações em grandes conjuntos de dados históricos.
Para se aprofundar
Esta pergunta testa a distinção fundamental entre OLTP (Online Transaction Processing) e OLAP (Online Analytical Processing), que é um conceito central de cargas de trabalho de dados do Azure. Os sistemas OLTP são otimizados para transações de curta duração e alta frequência — como inserir a leitura de um sensor — e tipicamente usam esquemas normalizados, armazenamento baseado em linhas e índices que favorecem buscas pontuais e atualizações. Os sistemas OLAP, por outro lado, são otimizados para agregações complexas de leitura intensiva em conjuntos de dados massivos, usando armazenamento em colunas (por exemplo, Azure Synapse Dedicated SQL Pool, Azure Data Lake) e esquemas desnormalizados como estrela ou floco de neve. Um equívoco comum é equiparar NoSQL a OLAP ou assumir que todos os big data são analíticos; na realidade, um banco de dados NoSQL como o Azure Cosmos DB pode atender cargas de trabalho OLTP com latência de milissegundos de um único dígito, enquanto bancos de dados relacionais também podem suportar consultas analíticas. Em um pipeline de análise de manufatura, você frequentemente vê uma arquitetura híbrida: as leituras de sensores entram em fluxo em um armazenamento transacional ou corretor de mensagens (OLTP), então um serviço de orquestração (por exemplo, Azure Data Factory) executa pipelines em lote para transformar e carregar resumos agregados em um data warehouse (OLAP). Isso é análogo à arquitetura Lambda ou Kappa, onde streams em tempo real e camadas em lote servem a propósitos diferentes. Compreender essa nuance ajuda os profissionais de dados do Azure a escolher o serviço correto — Azure SQL Database ou Cosmos DB para OLTP, Azure Synapse ou Azure Analysis Services para OLAP — e evita a armadilha de classificar cargas de trabalho apenas pela velocidade dos dados ou tecnologia de armazenamento.
Sobre estas questões de prática
Esta é uma das questões de prática originais de DP-900 da Courseiva, escrita para o aprendizado e nunca copiada de provas reais nem de dumps.
Traduzida do original em inglês com IA e conferida quanto ao sentido. Códigos de exame, comandos e nomes de produtos são mantidos como aparecem na prova.