DifícilMúltipla escolha

Questão de prática de DP-900

Uma empresa de serviços financeiros precisa criar um pipeline de dados que ingira arquivos de transações diárias de várias fontes. O pipeline deve executar verificações de qualidade de dados, transformar dados usando lógica de negócios complexa e carregá-los no Azure Synapse Analytics. As transformações envolvem ramificação condicional (por exemplo, se o valor de uma transação exceder um limite, aplicar validação adicional). A empresa deseja minimizar o esforço de codificação e prefere uma abordagem visual baseada em configuração. Qual serviço do Azure eles devem usar como o principal mecanismo de orquestração e transformação?

Escolha a melhor resposta.

Resposta correta

  • AAzure Data Factory com Data Flows

Explicação

O Azure Data Factory com Data Flows é a escolha correta porque fornece uma interface visual baseada em configuração para orquestração e transformação, incluindo suporte para lógica de negócios complexa, como ramificação condicional (por exemplo, por meio de transformações de divisão condicional). Ele se integra nativamente ao Azure Synapse Analytics para carregar dados transformados, minimizando o esforço de codificação em comparação com alternativas pesadas em código.

Por que cada alternativa está certa ou errada

A

Correta

Azure Data Factory com Data Flows

Os fluxos de dados de mapeamento fornecem uma tela visual sem código para ramificação condicional e transformações complexas, atendendo ao requisito de minimizar o esforço de codificação. O Azure Data Factory orquestra a ingestão noturna e o carregamento no Azure Synapse Analytics, portanto, nenhum motor de computação separado é necessário.

B

Incorreta

Azure Databricks com notebooks

Os notebooks do Databricks exigem a escrita de código Scala ou PySpark, contradizendo a preferência declarada pelo desenvolvimento visual baseado em configuração com codificação mínima. O Databricks é adequado para engenharia personalizada em larga escala e análises avançadas. Os fluxos de dados de mapeamento do Azure Data Factory fornecem a transformação visual e a ramificação condicional de que este pipeline precisa.

C

Incorreta

Azure Stream Analytics

O Stream Analytics processa dados de streaming com consultas semelhantes a SQL em uma janela de tempo, não arquivos de lote diários que exigem transformação visual e ramificação condicional. Ele é adequado para telemetria em tempo real e ingestão de eventos. Os fluxos de dados de mapeamento do Azure Data Factory fornecem a transformação em lote baseada em configuração e o carregamento no Synapse exigidos aqui.

D

Incorreta

Azure Logic Apps

O Logic Apps orquestra fluxos de trabalho de aplicativos e sistemas por meio de conectores, e não transformação de dados em massa com lógica de negócios complexa e ramificação condicional sobre conjuntos de dados. Ele é adequado para integração orientada a eventos entre serviços. Os fluxos de dados de mapeamento do Azure Data Factory lidam com a transformação de dados visual e baseada em configuração e o carregamento no Synapse.

Para se aprofundar

Os fluxos de dados de mapeamento (mapping data flows) do Azure Data Factory são executados em clusters Spark provisionados pelo ADF, mas o desenvolvedor cria transformações visualmente em um gráfico: origem (source), coluna derivada (derived column), divisão condicional (conditional split), agregação (aggregate), coletor (sink). A ramificação condicional, como validar valores acima de um limite, é expressa com uma transformação de divisão condicional ou um filtro mais colunas derivadas, e as verificações de qualidade de dados podem direcionar linhas ruins para um coletor separado. Os fluxos de dados são criados uma vez e executados em computação de runtime de integração gerenciada, portanto, nenhum código Spark é escrito. Os notebooks do Databricks exigem codificação em Scala/Python; o Stream Analytics tem como alvo o streaming em vez de arquivos de lote diários; o Logic Apps é automação de fluxo de trabalho, não transformação em larga escala. Um cenário realista: arquivos de transações noturnas chegam ao ADLS Gen2, um pipeline do ADF com um fluxo de dados valida, ramifica e carrega linhas limpas no Synapse.

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.