FácilMúltipla escolha

Questão de prática de DP-900

Uma empresa de manufatura armazena dois tipos de dados: (1) leituras de sensores em tempo real de máquinas de produção usadas para monitorar o status atual da máquina, e (2) resumos de produção diários históricos usados pelos gerentes para identificar tendências ao longo dos meses. Qual declaração descreve com precisão essas cargas de trabalho?

Escolha a melhor resposta.

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.

Por que cada alternativa está certa ou errada

A

Incorreta

As leituras de sensores são uma carga de trabalho OLAP; os resumos diários são uma carga de trabalho OLTP.

Isso inverte os dois tipos de carga de trabalho. O OLAP é projetado para consultas analíticas complexas e agregações em conjuntos de dados grandes e históricos, e não para gravações de alta frequência e baixa latência. As leituras de sensores chegam continuamente como transações discretas de alto volume que atualizam um armazenamento de séries temporais, um paradigma que se alinha ao OLTP (processamento de transações online). Os resumos diários são o resultado de transformações analíticas sobre essas leituras brutas, que é a essência do OLAP. Portanto, rotular a ingestão de sensores como OLAP e a geração de resumos como OLTP caracteriza erroneamente os padrões de acesso.

B

Correta

As leituras de sensores são uma carga de trabalho OLTP; os resumos diários são uma carga de trabalho OLAP.

As leituras de sensores representam OLTP porque cada leitura é uma transação atômica: inserções frequentes e pequenas que exigem tempos de resposta rápidos, frequentemente com garantias ACID, e tipicamente envolvendo um único sensor ou um pequeno lote por vez. Os resumos diários representam OLAP porque são produzidos agregando milhões de leituras de sensores em totais, médias ou tendências — consultas analíticas complexas e de longa duração que apoiam a tomada de decisões. Essa distinção se alinha à separação clássica entre sistemas transacionais que capturam operações e sistemas analíticos que apoiam relatórios.

C

Incorreta

As leituras de sensores são uma carga de trabalho NoSQL; os resumos diários são uma carga de trabalho relacional.

A categorização em NoSQL versus relacional é ortogonal à distinção OLTP/OLAP. As leituras de sensores podem ser armazenadas em um banco de dados relacional (por exemplo, Azure SQL Database) ou em um armazenamento NoSQL (por exemplo, Azure Cosmos DB) dependendo da flexibilidade do esquema, escala e padrões de acesso; a carga de trabalho ainda é OLTP se a operação dominante forem gravações pontuais. Da mesma forma, os resumos diários podem ser construídos em um data warehouse relacional ou por meio de um pipeline NoSQL, mas isso não os torna 'relacionais'—eles são agregados analíticos, e a classificação correta é OLAP. A opção confunde erroneamente a tecnologia de armazenamento com o tipo de carga de trabalho.

D

Incorreta

As leituras de sensores são uma carga de trabalho em lote; os resumos diários são uma carga de trabalho em tempo real.

Esta opção inverte a dinâmica real de tempo real e em lote. As leituras de sensores são transmitidas para o sistema quase em tempo real — pense em dispositivos IoT emitindo dados a cada segundo — de modo que a carga de trabalho de ingestão é streaming em tempo real, e não em lote. Os resumos diários, por outro lado, são calculados periodicamente (por exemplo, a cada 24 horas) executando trabalhos em lote sobre os dados coletados, de modo que representam uma carga de trabalho em lote. Chamar as leituras de sensores de em lote implica que elas são processadas em grandes blocos com latência, enquanto chamar os resumos diários de em tempo real ignora a natureza programada e agregada do cálculo. A classificação da carga de trabalho deve corresponder à cadência de ingestão e processamiento, que é oposta ao que esta opção afirma.

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.