A. 구조 스트리밍을 사용하여 Databricks 노트북 내의 products_per_order 테이블에 대한 라이브 대시보드를 구성합니다.

B. 델타 캐시를 사용하여 products_per_order 테이블을 메모리에 유지하여 각 쿼리마다 대시보드를 빠르게 표시합니다.

C. 각 쿼리로 대시보드를 빠르게 업데이트하는 데 필요한 내용을 저장하기 위해 매일 밤 일괄 처리 작업을 구성하여 대시보드를 채웁니다.

D. products_per_order 테이블에 대한 뷰를 정의하고 이 뷰에 대한 대시보드를 정의합니다.

A. 관리할 수 있습니다

B. 편집 가능

C. 권한이 없습니다

D. 읽을 수 있음

E. 실행 가능

A. 이전 버전의 데이터 테이블에 액세스하는 기능

B. Python 및/또는 SQL로 파이프라인을 작성하는 기능

C. 일괄 및 스트리밍 쿼리를 수행하는 기능

D. 데이터 테이블 종속성을 선언하고 유지하는 기능

E. 컴퓨팅 리소스를 자동으로 확장하는 기능

A. 구조적 스트리밍은 GPU의 병렬 처리를 활용하여 높은 병렬 데이터 처리량을 달성합니다.

B. 구조적 스트리밍은 메시징 버스로 구현되며 Apache Kafka에서 파생되었습니다.

C. 구조적 스트리밍은 특수 하드웨어와 I/O 스트림을 사용하여 데이터 전송에 대한 1초 미만의 지연 시간을 달성합니다.

D. 구조적 스트리밍은 데이터 스트림에 도착하는 새 데이터를 무제한 테이블에 추가된 새 행으로 모델링합니다.

E. 구조적 스트리밍은 캐시된 단계에 대한 증분 상태 값을 보유하는 노드의 분산 네트워크를 사용합니다.

A. Delta Lake는 데이터 저장에 Parquet를 사용하므로 중첩을 위한 Dremel 인코딩 정보는 Delta 트랜잭션 로그에서 직접 참조할 수 있습니다.

B. Databricks에서 사용하는 텅스텐 인코딩은 문자열 데이터를 저장하는 데 최적화되어 있습니다. JSON 문자열을 쿼리하기 위한 새로 추가된 기본 지원은 문자열 유형이 항상 가장 효율적이라는 것을 의미합니다.

C. Databricks의 스키마 추론 및 진화는 추론된 유형이 항상 다운스트림 시스템에서 사용하는 데이터 유형과 정확하게 일치하도록 보장합니다.

D. 기본적으로 Delta Lake는 테이블의 처음 32개 열에 대한 통계를 수집합니다. 이 통계는 선택적 쿼리를 실행할 때 데이터를 건너뛰는 데 활용됩니다.