A. Cloud Pub/Sub에 이벤트를 게시하는 애플리케이션을 만들고 Cloud Dataproc에서 Spark 작업을 만들어 JSON 데이터를 Avro 형식으로 변환하고 Persistent Disk의 HDFS에 저장합니다.

B. 데이터를 저장하기 위해 Cloud SQL 데이터베이스에 쓰는 애플리케이션을 만듭니다. Cloud Storage에 쓰고 BigQuery에 로드할 데이터베이스의 주기적 내보내기를 설정합니다.

C. API를 제공하는 애플리케이션을 생성합니다. API를 폴링하고 데이터를 gzip으로 압축된 JSON 파일로 Cloud Storage에 쓰는 도구를 작성합니다.

D. Cloud Pub/Sub에 이벤트를 게시하는 애플리케이션을 만들고 JSON 이벤트 페이로드를 Avro로 변환하여 Cloud Storage 및 BigQuery에 데이터를 쓰는 Cloud Dataflow 파이프라인을 만듭니다.

A. 단일 클러스터 라우팅을 사용하여 기존 인스턴스에 두 번째 클러스터를 추가하고 일반 워크로드에 라이브 트래픽 앱 프로필을 사용하고 분석 워크로드에 프로필을 사용합니다.

B. Bigtable 덤프를 GCS로 내보내고 내보낸 파일 위에서 분석 작업을 실행합니다.

C. 다중 클러스터 라우팅을 사용하여 기존 인스턴스에 두 번째 클러스터를 추가하고 일반 워크로드에 라이브 트래픽 앱 프로필을 사용하고 분석 워크로드에 배치 분석 프로필을 사용합니다.

D. 기존 클러스터의 크기를 두 배로 늘리고 크기가 조정된 새 클러스터에서 분석 워크로드를 실행합니다.

A. 클라우드 SQL

B. 빅쿼리

C. 클라우드 빅테이블

D. 클라우드 데이터 저장소

A. 각 팀에 대해 생성된 데이터세트에서 각 팀에 대한 승인된 뷰를 생성합니다. 데이터가 있는 데이터세트에 권한이 부여된 보기 데이터 뷰어 액세스 권한을 할당합니다. 승인된 보기가 있는 데이터 세트에 대한 사용자/그룹 데이터 뷰어 액세스를 할당합니다.

B. 데이터가 있는 동일한 데이터 세트에서 각 팀에 대한 SQL 보기를 생성하고 SQL 보기에 대한 사용자/그룹 데이터 뷰어 액세스를 할당합니다.

C. 데이터가 있는 동일한 데이터 세트에서 각 팀에 대한 권한 부여된 보기를 만들고 사용자/그룹 데이터 뷰어 액세스 권한을 승인된 보기에 할당합니다.

D. 테이블별 사용자/그룹 데이터 뷰어 접근 권한을 테이블 수준으로 부여

A. Spark MLlib로 복잡한 분류 모델을 구축하고 훈련하여 레이블을 생성하고 결과를 필터링합니다.
Cloud Dataproc을 사용하여 모델을 배포합니다. 애플리케이션에서 모델을 호출합니다.

B. 레이블을 생성하기 위해 Spark MLlib로 분류 모델을 구축하고 훈련합니다. Spark MLlib로 두 번째 분류 모델을 구축하고 훈련하여 고객 선호도에 맞게 결과를 필터링합니다. Cloud Dataproc을 사용하여 모델을 배포합니다. 애플리케이션에서 모델을 호출합니다.

C. Cloud Video Intelligence API를 호출하여 레이블을 생성하는 애플리케이션을 빌드합니다. Cloud Bigtable에 데이터를 저장하고 사용자의 시청 기록과 일치하도록 예측된 라벨을 필터링하여 기본 설정을 생성합니다.

D. Cloud Video Intelligence API를 호출하여 레이블을 생성하는 애플리케이션을 빌드합니다. Cloud SQL에 데이터를 저장하고 사용자의 시청 기록과 일치하도록 예측된 라벨을 결합 및 필터링하여 환경 설정을 생성합니다.