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.
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.
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.