Professional-Data-Engineer 문제 166
Cloud Bigtable에 의존하는 성능 테스트를 실행하는 경우 아래 항목을 제외한 모든 선택 사항은 권장 단계입니다. 따라야 할 권장 단계가 아닌 것은 무엇입니까?
Professional-Data-Engineer 문제 167
Google Data Studio 360에서 대규모 팀을 위한 중요한 보고서를 만듭니다. 보고서는 Google BigQuery를 데이터 소스로 사용합니다. 시각화에 1시간 미만의 데이터가 표시되지 않는 것을 확인했습니다.
당신은 무엇을 해야 합니까?
당신은 무엇을 해야 합니까?
Professional-Data-Engineer 문제 168
귀하의 회사는 최근 빠르게 성장하여 이전보다 훨씬 더 빠른 속도로 데이터를 수집하고 있습니다. Apache Hadoop에서 일일 일괄 MapReduce 분석 작업을 관리합니다. 그러나 최근 데이터 증가로 인해 배치 작업이 뒤쳐지고 있습니다. 개발팀이 비용을 늘리지 않고 분석의 반응성을 높일 수 있는 방법을 추천해 달라는 요청을 받았습니다. 그들에게 무엇을 추천해야 할까요?
Professional-Data-Engineer 문제 169
MJTelco 사례 연구
회사 개요
MJTelco는 빠르게 성장하고 있지만 서비스가 부족한 전 세계 시장에서 네트워크를 구축하려는 스타트업입니다. 이 회사는 혁신적인 광통신 하드웨어에 대한 특허를 보유하고 있습니다. 이러한 특허를 바탕으로 저렴한 하드웨어로 안정적인 고속 백본 링크를 많이 만들 수 있습니다.
회사 배경
숙련된 통신 경영진이 설립한 MJTelco는 원래 우주에서의 통신 문제를 극복하기 위해 개발된 기술을 사용합니다. 운영의 기본으로서 실시간 분석을 촉진하고 기계 학습을 통합하여 토폴로지를 지속적으로 최적화하는 분산 데이터 인프라를 구축해야 합니다. 하드웨어가 저렴하기 때문에 동적 지역 정치가 위치 가용성 및 비용에 미치는 영향을 설명할 수 있도록 네트워크를 과도하게 배포할 계획입니다.
관리 및 운영 팀은 전 세계에 위치하여 데이터 소비자와 시스템 제공 간의 다대다 관계를 형성합니다. 그들은 신중한 고려 끝에 퍼블릭 클라우드가 그들의 요구 사항을 지원하기에 완벽한 환경이라고 결정했습니다.
솔루션 컨셉
MJTelco는 자사 연구실에서 성공적인 개념 증명(PoC) 프로젝트를 진행하고 있습니다. 두 가지 주요 요구 사항이 있습니다.
* PoC를 확장하고 강화하여 다음 이상으로 증가할 때 생성되는 훨씬 더 많은 데이터 흐름을 지원합니다.
50,000개 설치.
* 기계 학습 주기를 개선하여 토폴로지 정의를 제어하는 데 사용하는 동적 모델을 검증하고 개선합니다.
MJTelco는 또한 실험 실행, 새로운 기능 배포 및 생산 고객 서비스 요구 사항을 충족하기 위해 개발/테스트, 준비 및 생산이라는 세 가지 별도의 운영 환경을 사용할 것입니다.
비즈니스 요구 사항
* 최소한의 비용으로 프로덕션 환경을 확장하고 예측할 수 없는 분산 통신 사용자 커뮤니티에서 필요할 때 리소스를 인스턴스화합니다.
* 최첨단 기계 학습 및 분석을 보호하기 위해 독점 데이터의 보안을 보장합니다.
* 분산된 연구 인력의 분석을 위해 데이터에 대한 안정적이고 시기적절한 액세스 제공
* 고객에게 영향을 주지 않고 기계 학습 모델의 신속한 반복을 지원하는 격리된 환경을 유지합니다.
기술 요구 사항
* 원격 측정 데이터의 안전하고 효율적인 전송 및 저장 보장
* 각각 여러 흐름이 있는 10,000~100,000명의 데이터 공급자를 지원하도록 인스턴스를 신속하게 확장합니다.
* 최대 2년 동안 저장한 대략적인 데이터를 추적하는 데이터 테이블에 대한 분석 및 프리젠테이션 허용
1억 개의 기록/일
* 원격 측정 흐름과 프로덕션 학습 주기 모두에서 데이터 파이프라인 문제를 인식하는 데 초점을 맞춘 모니터링 인프라의 신속한 반복을 지원합니다.
CEO 성명서
우리의 비즈니스 모델은 특허, 분석 및 동적 기계 학습에 의존합니다. 우리의 저렴한 하드웨어는 신뢰성이 높도록 구성되어 있어 비용상의 이점을 제공합니다. 우리는 안정성과 용량 약속을 충족하기 위해 대규모 분산 데이터 파이프라인을 신속하게 안정화해야 합니다.
CTO 성명서
우리의 퍼블릭 클라우드 서비스는 광고된 대로 운영되어야 합니다. 우리에게는 데이터를 확장하고 안전하게 유지하는 리소스가 필요합니다.
또한 데이터 과학자가 신중하게 모델을 연구하고 신속하게 조정할 수 있는 환경도 필요합니다.
우리는 데이터 처리를 자동화에 의존하기 때문에 반복 작업을 수행하려면 개발 및 테스트 환경도 필요합니다.
CFO 성명서
데이터와 분석에 필요한 하드웨어와 소프트웨어를 유지 관리하기에는 프로젝트 규모가 너무 큽니다. 또한 우리는 너무 많은 데이터 피드를 모니터링하기 위해 운영팀을 인력을 확보할 여력이 없으므로 자동화와 인프라에 의존할 것입니다. Google Cloud의 머신러닝을 통해 우리의 정량적 연구원은 데이터 파이프라인 문제 대신 가치가 높은 문제를 해결할 수 있습니다.
MJTelco에서는 지난 2년간의 기록에 대한 기록 분석을 허용하는 Google Bigtable의 스키마를 생성해야 합니다. 들어오는 각 기록은 15분마다 전송되며 장치의 고유 식별자와 데이터 기록을 포함합니다. 가장 일반적인 쿼리는 특정 날짜의 특정 장치에 대한 모든 데이터에 대한 것입니다. 어떤 스키마를 사용해야 합니까?
회사 개요
MJTelco는 빠르게 성장하고 있지만 서비스가 부족한 전 세계 시장에서 네트워크를 구축하려는 스타트업입니다. 이 회사는 혁신적인 광통신 하드웨어에 대한 특허를 보유하고 있습니다. 이러한 특허를 바탕으로 저렴한 하드웨어로 안정적인 고속 백본 링크를 많이 만들 수 있습니다.
회사 배경
숙련된 통신 경영진이 설립한 MJTelco는 원래 우주에서의 통신 문제를 극복하기 위해 개발된 기술을 사용합니다. 운영의 기본으로서 실시간 분석을 촉진하고 기계 학습을 통합하여 토폴로지를 지속적으로 최적화하는 분산 데이터 인프라를 구축해야 합니다. 하드웨어가 저렴하기 때문에 동적 지역 정치가 위치 가용성 및 비용에 미치는 영향을 설명할 수 있도록 네트워크를 과도하게 배포할 계획입니다.
관리 및 운영 팀은 전 세계에 위치하여 데이터 소비자와 시스템 제공 간의 다대다 관계를 형성합니다. 그들은 신중한 고려 끝에 퍼블릭 클라우드가 그들의 요구 사항을 지원하기에 완벽한 환경이라고 결정했습니다.
솔루션 컨셉
MJTelco는 자사 연구실에서 성공적인 개념 증명(PoC) 프로젝트를 진행하고 있습니다. 두 가지 주요 요구 사항이 있습니다.
* PoC를 확장하고 강화하여 다음 이상으로 증가할 때 생성되는 훨씬 더 많은 데이터 흐름을 지원합니다.
50,000개 설치.
* 기계 학습 주기를 개선하여 토폴로지 정의를 제어하는 데 사용하는 동적 모델을 검증하고 개선합니다.
MJTelco는 또한 실험 실행, 새로운 기능 배포 및 생산 고객 서비스 요구 사항을 충족하기 위해 개발/테스트, 준비 및 생산이라는 세 가지 별도의 운영 환경을 사용할 것입니다.
비즈니스 요구 사항
* 최소한의 비용으로 프로덕션 환경을 확장하고 예측할 수 없는 분산 통신 사용자 커뮤니티에서 필요할 때 리소스를 인스턴스화합니다.
* 최첨단 기계 학습 및 분석을 보호하기 위해 독점 데이터의 보안을 보장합니다.
* 분산된 연구 인력의 분석을 위해 데이터에 대한 안정적이고 시기적절한 액세스 제공
* 고객에게 영향을 주지 않고 기계 학습 모델의 신속한 반복을 지원하는 격리된 환경을 유지합니다.
기술 요구 사항
* 원격 측정 데이터의 안전하고 효율적인 전송 및 저장 보장
* 각각 여러 흐름이 있는 10,000~100,000명의 데이터 공급자를 지원하도록 인스턴스를 신속하게 확장합니다.
* 최대 2년 동안 저장한 대략적인 데이터를 추적하는 데이터 테이블에 대한 분석 및 프리젠테이션 허용
1억 개의 기록/일
* 원격 측정 흐름과 프로덕션 학습 주기 모두에서 데이터 파이프라인 문제를 인식하는 데 초점을 맞춘 모니터링 인프라의 신속한 반복을 지원합니다.
CEO 성명서
우리의 비즈니스 모델은 특허, 분석 및 동적 기계 학습에 의존합니다. 우리의 저렴한 하드웨어는 신뢰성이 높도록 구성되어 있어 비용상의 이점을 제공합니다. 우리는 안정성과 용량 약속을 충족하기 위해 대규모 분산 데이터 파이프라인을 신속하게 안정화해야 합니다.
CTO 성명서
우리의 퍼블릭 클라우드 서비스는 광고된 대로 운영되어야 합니다. 우리에게는 데이터를 확장하고 안전하게 유지하는 리소스가 필요합니다.
또한 데이터 과학자가 신중하게 모델을 연구하고 신속하게 조정할 수 있는 환경도 필요합니다.
우리는 데이터 처리를 자동화에 의존하기 때문에 반복 작업을 수행하려면 개발 및 테스트 환경도 필요합니다.
CFO 성명서
데이터와 분석에 필요한 하드웨어와 소프트웨어를 유지 관리하기에는 프로젝트 규모가 너무 큽니다. 또한 우리는 너무 많은 데이터 피드를 모니터링하기 위해 운영팀을 인력을 확보할 여력이 없으므로 자동화와 인프라에 의존할 것입니다. Google Cloud의 머신러닝을 통해 우리의 정량적 연구원은 데이터 파이프라인 문제 대신 가치가 높은 문제를 해결할 수 있습니다.
MJTelco에서는 지난 2년간의 기록에 대한 기록 분석을 허용하는 Google Bigtable의 스키마를 생성해야 합니다. 들어오는 각 기록은 15분마다 전송되며 장치의 고유 식별자와 데이터 기록을 포함합니다. 가장 일반적인 쿼리는 특정 날짜의 특정 장치에 대한 모든 데이터에 대한 것입니다. 어떤 스키마를 사용해야 합니까?
Professional-Data-Engineer 문제 170
projects.regions.clusters.create 작업을 사용하여 새 Cloud Dataproc 클러스터를 만들 때 프로젝트, 지역, 이름, ____의 네 가지 값이 필요합니다.