A. 배포, 빌드, 컨텍스트, ID 및 환경을 사용합니다. 개발 환경을 기본 환경으로 설정하고 빌드 아래의 경로를 재정의합니다.

B. 루트, 모듈, 프로필, 액터 및 타겟을 사용합니다. 프로필에는 작업 공간 및 아티팩트 기본값이 포함되고 액터는 실행 ID를 설정합니다.

C. 프로젝트, 패키지, 환경, ID 및 스테이지를 사용합니다. 환경 설정에서 dev를 기본 스테이지로 설정하고 작업 공간을 재정의합니다.

D. 최상위 수준에서 bundle, artifacts, workspace, run_as 및 targets를 사용하고, default:true로 설정된 타겟 하나를 지정하고 해당 타겟 아래에서 워크스페이스 경로 또는 아티팩트를 재정의합니다.

A. Delta Lake 타임 트래블은 장기적인 버전 관리 솔루션을 제공하기에는 비용이나 지연 시간 측면에서 확장성이 떨어집니다.

B. 유형 1 변경 사항은 데이터 파일을 제자리에서 수정하기 때문에 Delta Lake 시간 여행을 사용하여 이러한 테이블의 이전 버전을 조회할 수 없습니다.

C. 얕은 복제본은 유형 1 테이블과 결합하여 장기 버전 관리를 위한 기록 쿼리 속도를 높일 수 있습니다.

D. 유형 2 테이블은 단일 업데이트에서 여러 필드를 설정해야 하므로 쿼리가 부분적으로 완료된 상태에서 실패하면 데이터 손상이 발생할 수 있습니다.

E. Delta Lake는 Type 0 테이블만 지원합니다. Delta Lake 테이블에 레코드가 삽입되면 수정할 수 없습니다.

A. reviews_raw 테이블에 대한 일괄 읽기를 수행하고, user_id, review_id, product_id, review_timestamp와 같은 자연 합성 키를 사용하여 삽입 전용 병합을 수행합니다.

B. reviews_raw 테이블에 대해 트리거 1회 실행 모드를 사용하여 구조화된 스트리밍 읽기를 구성하여 새 레코드를 배치 작업으로 처리합니다.

C. Delta Lake 버전 기록을 사용하여 reviews_raw의 최신 버전과 이전 버전 간의 차이점을 가져온 다음, 이러한 기록을 다음 테이블에 기록합니다.

D. reviews_raw 테이블의 모든 레코드를 review_timestamp를 기준으로 필터링하고, 지난 48시간 동안 생성된 레코드를 일괄적으로 추가합니다.

E. reviews_raw의 모든 레코드를 다시 처리하고 파이프라인의 다음 테이블을 덮어씁니다.

A. 오픈 공유를 사용하면 수신자는 볼륨, 모델 또는 노트북에 액세스할 수 없으며 정적 델타 테이블만 지원됩니다.

B. Delta Sharing은 Unity Catalog가 활성화된 테이블을 지원하지 않습니다. 기존 Hive Metastore 테이블만 공유할 수 있습니다.

C. Databricks 간 공유를 사용하는 경우 Unity Catalog 수신자는 COPY INTO 또는 REST API를 사용하여 데이터를 수동으로 다시 수집해야 합니다.

D. 델타 공유(Databricks 간 공유 및 오픈 공유 모두)를 사용하면 수신자가 특정 권한이 있는 경우 원본 데이터를 수정할 수 있습니다.

A. Databricks에서 사용하는 Tungsten 인코딩은 문자열 데이터 저장에 최적화되어 있습니다. JSON 문자열 쿼리에 대한 새로운 네이티브 지원이 추가되어 문자열 유형이 항상 가장 효율적입니다.

B. Delta Lake는 데이터 저장에 Parquet 형식을 사용하기 때문에 파일 바닥글 정보만 수정하면 데이터 형식을 쉽게 변경할 수 있습니다.

C. 데이터 엔지니어링 워크로드에서 가장 큰 비용은 코드 작성에 투입되는 인력입니다. 따라서 모든 마이그레이션 워크로드에서 테이블 선언 로직 자동화를 최우선 과제로 삼아야 합니다.

D. Databricks는 관찰된 모든 데이터를 처리할 수 있는 유형을 사용하여 스키마를 추론하므로 유형을 수동으로 설정하면 데이터 품질 보장을 강화할 수 있습니다.

E. .Databricks의 스키마 추론 및 진화는 추론된 유형이 하위 시스템에서 사용되는 데이터 유형과 항상 정확하게 일치하도록 보장합니다.