DifícilMúltipla escolha

Questão de prática de DP-900

Você é um arquiteto de dados para uma organização de saúde. A organização precisa construir uma solução de análise em tempo real para monitorar os sinais vitais de pacientes a partir de dispositivos IoT. Os dados chegam a uma taxa de 10.000 eventos por segundo. Cada evento contém a identificação do paciente, marca de tempo, frequência cardíaca, pressão arterial e saturação de oxigênio. A solução deve alertar os médicos em até 10 segundos quando os sinais vitais de um paciente excederem os limites predefinidos. Além disso, a solução deve armazenar os dados brutos para análises históricas e conformidade. Você planeja usar o Azure Event Hubs para a ingestão. Qual combinação de serviços você deve usar para atender aos requisitos? Considere: processar alertas de baixa latência, armazenar dados brutos em um armazenamento econômico e habilitar análises históricas. Você também precisa garantir que a solução possa escalar para lidar com o crescimento futuro.

Escolha a melhor resposta.

Resposta correta

  • DUse o Azure Stream Analytics para processamento e alertas em tempo real, envie os dados para o Azure Data Lake Storage e use o Azure Synapse Serverless SQL para análises históricas

Explicação

O Azure Stream Analytics fornece processamento de fluxo de baixa latência (sub-segundo) e pode acionar alertas dentro do requisito de 10 segundos. O envio de dados brutos para o Azure Data Lake Storage (ADLS) oferece armazenamento econômico para conformidade, e o Azure Synapse Serverless SQL permite análises históricas sob demanda sem provisionar computação dedicada, escalando automaticamente para o crescimento futuro.

Por que cada alternativa está certa ou errada

A

Incorreta

Use o Azure Databricks com Structured Streaming, armazene os dados no Delta Lake e use o Power BI para painéis em tempo real

O Azure Databricks com Structured Streaming é construído sobre o Apache Spark, que pode de fato processar fluxos de eventos de alto volume, mas introduz uma sobrecarga operacional significativa: você deve gerenciar clusters, configurar pontos de verificação de streaming e ajustar os trabalhos do Spark. Para uma regra de alerta simples em 10.000 eventos/seg, o Azure Stream Analytics oferece um mecanismo baseado em SQL declarativo e totalmente gerenciado com latência de sub-segundo, enquanto o Databricks normalmente incorre em segundos de latência devido ao agendamento de trabalhos do Spark e intervalos de micro-lotes. O Delta Lake é excelente para transações ACID e viagem no tempo, mas enviar dados de streaming brutos diretamente para o Azure Data Lake Storage é mais barato e simples, e os painéis em tempo real do Power BI não podem consumir o Delta Lake nativamente sem serviços adicionais como o Stream Analytics como ponte.

B

Incorreta

Use o Azure Data Factory para ingerir eventos em lote a cada minuto, armazene no Azure Blob Storage e use o Azure Analysis Services para análises históricas

O Azure Data Factory é uma ferramenta de orquestração e ETL em lote, não um processador de fluxo em tempo real. Um intervalo de lote de um minuto significa que os eventos podem ficar na origem por até 60 segundos antes da ingestão, o que viola imediatamente o requisito de alerta de 10 segundos. Mesmo se você reduzisse o intervalo, a sobrecarga de agendamento e a falta de processamento de eventos nativo tornam-no impraticável para alertas de baixa latência. O Azure Blob Storage é bom para dados brutos, mas o Azure Analysis Services é uma camada de modelagem semântica projetada para dados curados e agregados, não para consultar diretamente arquivos brutos em um data lake; o Azure Synapse Serverless SQL seria uma opção muito melhor para análises históricas sobre o Blob Storage.

C

Incorreta

Use o Azure Functions para processar eventos, armazene dados no Azure Cosmos DB e use o Power BI para análises históricas

O Azure Functions é orientado a eventos e pode escalar horizontalmente, mas a 10.000 eventos/seg, cada invocação adiciona sobrecarga por execução, incluindo inicializações a frio e inicialização de tempo de execução, tornando arriscado garantir uma latência de ponta a ponta de 10 segundos para alertas. Armazenar todos os dados de eventos brutos no Azure Cosmos DB é proibitivo em termos de custo porque o Cosmos DB cobra por unidade de solicitação (RU) e é otimizado para cargas de trabalho operacionais, não para armazenamento de telemetria de alta velocidade. Além disso, usar o Power BI para consultar o Cosmos DB para análises históricas é ineficiente porque o conector do Power BI foi projetado para conjuntos de resultados de pequeno a médio porte; o padrão correto é descarregar os dados brutos no Data Lake Storage e usar um mecanismo SQL sem servidor para lidar com análises em grande escala sem provisionar infraestrutura.

D

Correta

Use o Azure Stream Analytics para processamento e alertas em tempo real, envie os dados para o Azure Data Lake Storage e use o Azure Synapse Serverless SQL para análises históricas

O Azure Stream Analytics é um mecanismo de processamento de fluxo totalmente gerenciado que usa consultas semelhantes a SQL para filtrar, agregar e emitir alertas em tempo real, lidando facilmente com 10.000 eventos/seg com particionamento e baixa latência. Ele pode gravar saída bruta ou processada no Azure Data Lake Storage, o que fornece armazenamento econômico e escalável para telemetria de alto volume. O Azure Synapse Serverless SQL pode então consultar esses arquivos diretamente usando T-SQL, permitindo análises históricas no mesmo data lake sem carregá-los em um armazenamento separado ou gerenciar computação. Essa combinação separa claramente o caminho quente (alertas em tempo real) do caminho frio (análises históricas), minimizando a sobrecarga operacional e atendendo a todos os requisitos de latência.

Para se aprofundar

Esta questão testa a distinção entre processamento de fluxo em tempo real e análise orientada a lote no Azure. O Azure Stream Analytics é construído especificamente para o processamento contínuo de eventos com janelas temporais, pontos de verificação e semântica de entrega única, tornando-se o serviço ideal para alertas de sub-segundo em dados de alta velocidade. Um equívoco comum é que qualquer serviço de computação pode ser tornado 'em tempo real' invocando-o frequentemente, mas o verdadeiro streaming requer um mecanismo de consulta persistente que processe os eventos à medida que chegam, e não um agendador de lotes. O padrão de projeto aqui separa o caminho quente — Stream Analytics para alertas imediatos — do caminho frio — Data Lake Storage para arquivamento bruto barato e Synapse Serverless para consultas sob demanda. Uma sutileza é que os painéis em tempo real do Power BI geralmente dependem do Stream Analytics como ponte, porque a consulta direta do Power BI não é adequada para ingerir milhares de eventos por segundo. Compreender onde colocar o limite entre streaming e processamento em lote, e por que o Data Lake Storage é preferido para dados brutos em vez de bancos de dados como o Cosmos DB, é fundamental para a cobertura do DP-900 sobre cargas de trabalho de dados analíticos.

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.