Databricks Databricks-Certified-Professional-Data-Engineer Korean real exam prep : Databricks Certified Professional Data Engineer Exam (Databricks-Certified-Professional-Data-Engineer Korean Version)

비즈니스 보고팀은 대시보드에 필요한 데이터를 매시간 업데이트해야 합니다. 데이터 추출, 변환 및 로드를 수행하는 파이프라인의 총 처리 시간은 10분입니다. 정상적인 운영 환경을 가정할 때, 가장 낮은 비용으로 서비스 수준 계약(SLA) 요구 사항을 충족하는 구성은 무엇일까요?

• A. 지정된 디렉터리에 새 데이터가 추가될 때마다 실행되는 작업을 구성합니다.
• B. 새 작업 클러스터에서 파이프라인을 한 시간마다 실행하도록 작업을 예약합니다.
• C. 전용 대화형 클러스터에서 파이프라인이 한 시간에 한 번 실행되도록 작업을 예약합니다.
• D. 60분 간격으로 구조화된 스트리밍 작업을 예약합니다.

플랫폼 엔지니어는 모든 워크스페이스에서 SKU 등급별 리소스 사용량을 보고해야 합니다.
엔지니어는 쿼리를 작성하기 위해 system.billing.usage 시스템 테이블을 선택합니다.
어떤 SQL 쿼리가 제품별 일일 사용량을 정확하게 반환합니까?

• A. 선택
  TO_DATE(usage_start_time) AS usage_day,
  sku_name,
  사용량 합계를 총 DBUS로 계산
  시스템.청구.사용에서
  사용일별로 그룹화
  사용일 기준으로 정렬;
• B. 선택
  DATE_TRUNC('day', usage_start_time) AS usage_day,
  sku_name,
  사용량 합계를 일일 총 버스 사용량으로 계산
  시스템.청구.사용에서
  usage_quantity가 NULL이 아닌 경우
  사용일수와 제품번호를 기준으로 그룹화합니다.
  사용일 기준으로 정렬;
• C. 선택
  CAST(usage_start_time AS DATE) AS usage_day,
  sku_name,
  COUNT(usage_quantity) AS dbu_count
  시스템, 청구 사용량에서
  사용일수와 제품번호를 기준으로 그룹화합니다.
  사용일 기준으로 정렬;
• D. 선택
  DATE_TRUNC('day', usage_start_time) AS day,
  sku_name,
  SUM(dbus) AS daily_dbus
  시스템.청구.사용에서
  sku_name이 NULL이 아닌 경우
  일별, 제품명별로 그룹화합니다.

거의 실시간에 가까운 워크로드를 처리하기 위해 데이터 엔지니어가 Databricks Auto Loader의 스키마 감지 및 진화 기능을 활용하는 헬퍼 함수를 ​​개발하고 있습니다. 이 함수는 소스의 스키마를 자동으로 감지하고, 소스 디렉터리에 JSON 파일이 도착하는 즉시 점진적으로 처리하며, 새 필드가 감지되면 테이블의 스키마를 자동으로 진화시킵니다.
함수는 아래와 같이 공백으로 표시됩니다.

다음 보기 중 주어진 요건을 충족하는 빈칸에 맞는 정답은 무엇입니까?

• A. 옵션 C
• B. 옵션 D
• C. 옵션 B
• D. 옵션 A
• E. 옵션 E

데이터 엔지니어가 Lakeflow Declarative Pipelines의 Expectations 기능을 사용하여 수신되는 센서 데이터의 품질을 추적하고 있습니다. 센서에서 주기적으로 범위를 벗어난 잘못된 측정값이 전송되는데, 현재는 해당 행에 경고 플래그를 지정하고 정상 데이터와 함께 실버 테이블에 기록하고 있습니다. 그런데 새로운 요구 사항이 생겼습니다. 잘못된 행을 별도의 격리 테이블에 저장하고 더 이상 실버 테이블에 포함시키지 않아야 한다는 것입니다.
이것은 그들의 은색 테이블에 대한 기존 코드입니다:
@dlt.table
@dlt.expect( " valid_sensor_reading " , " reading < 120 " )
def silver_sensor_readings():
return spark.readStream.table( " bronze_sensor_readings " )
What code will satisfy the requirements?

• A. @dlt.table
  @dlt.expect_or_drop( " valid_sensor_reading " , " reading < 120 " )
  def silver_sensor_readings():
  return spark.readStream.table( " bronze_sensor_readings " )
  @dlt.table
  @dlt.expect( " invalid_sensor_reading " , " reading > = 120 " )
  def quarantine_sensor_readings():
  return spark.readStream.table( " bronze_sensor_readings " )
• B. @dlt.table
  @dlt.expect( " valid_sensor_reading " , " reading < 120 " )
  def silver_sensor_readings():
  return spark.readStream.table( " bronze_sensor_readings " )
  @dlt.table
  @dlt.expect( " invalid_sensor_reading " , " reading > = 120 " )
  def quarantine_sensor_readings():
  return spark.readStream.table( " bronze_sensor_readings " )
• C. @dlt.table
  @dlt.expect_or_drop( " valid_sensor_reading " , " reading < 120 " )
  def silver_sensor_readings():
  return spark.readStream.table( " bronze_sensor_readings " )
  @dlt.table
  @dlt.expect_or_drop( " invalid_sensor_reading " , " reading > = 120 " ) def quarantine_sensor_readings():
  return spark.readStream.table( " bronze_sensor_readings " )
• D. @dlt.table
  @dlt.expect_or_drop( " valid_sensor_reading " , " reading < 120 " )
  def silver_sensor_readings():
  return spark.readStream.table( " bronze_sensor_readings " )
  @dlt.table
  @dlt.expect( " invalid_sensor_reading " , " reading < 120 " )
  def quarantine_sensor_readings():
  return spark.readStream.table( " bronze_sensor_readings " )

미국에 본사를 둔 한 소규모 회사가 최근 인도의 컨설팅 회사와 계약을 맺고 인공지능 애플리케이션에 필요한 여러 새로운 데이터 엔지니어링 파이프라인을 구축하기로 했습니다. 이 회사의 모든 데이터는 미국 내 지역 클라우드 스토리지에 저장됩니다.
회사 워크스페이스 관리자는 계약직 직원들이 사용하는 Databricks 워크스페이스를 어디에 배포해야 할지 확신하지 못하고 있습니다.
모든 데이터 거버넌스 고려 사항을 감안할 때, 다음 중 어떤 설명이 이 결정에 정확한 근거를 제시합니까?

• A. Databricks는 대화형 개발 중에 사용자 워크스테이션을 핵심 동력으로 활용합니다. 따라서 사용자는 항상 물리적으로 가까운 지역에 배포된 작업 공간을 사용해야 합니다.
• B. Databricks 노트북은 사용자의 브라우저에서 실행되는 모든 코드를 개방형 인터넷을 통해 가상 머신으로 전송합니다. 따라서 가능한 한 최종 사용자와 가까운 작업 공간 영역을 선택하는 것이 가장 안전합니다.
• C. 지역 간 읽기 및 쓰기는 상당한 비용과 지연을 초래할 수 있습니다. 가능한 한 컴퓨팅 자원은 데이터가 저장된 지역과 동일한 지역에 배포해야 합니다.
• D. Databricks 워크스페이스는 지역 인프라에 의존하지 않으므로 워크스페이스 관리자에게 가장 편리한 방식을 기준으로 결정해야 합니다.
• E. Databricks는 클라우드 볼륨 스토리지에서 HDFS를 실행하므로 데이터가 저장된 지역에 클라우드 가상 머신을 배포해야 합니다.