무료 온라인 액세스 Google.Professional-Data-Engineer.v2024-08-24.q281 모의 시험 (Page 37)

Professional-Data-Engineer 문제 176

Flowlogistic의 CEO는 영업팀이 현장에서 더 나은 정보를 얻을 수 있도록 고객 기반에 대한 신속한 통찰력을 얻고 싶어합니다. 이 팀은 그다지 기술적이지 않기 때문에 BigQuery 보고서 생성을 단순화하기 위해 시각화 도구를 구입했습니다. 그러나 그들은 테이블의 모든 데이터에 압도되어 필요한 데이터를 찾으려는 쿼리에 많은 돈을 소비하고 있습니다. 당신은 가장 비용 효과적인 방법으로 문제를 해결하고 싶습니다. 당신은 무엇을 해야 합니까?

A. 가상화를 위해 데이터를 Google 시트로 내보냅니다.

B. 필요한 열만 포함된 추가 테이블을 만듭니다.

C. 가상화 도구에 제공할 테이블에 뷰를 만듭니다.

D. 해당 열에 ID 및 액세스 관리(IAM) 역할을 생성하여 해당 열만 쿼리에 표시되도록 합니다.

정답: C

주제 2, 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 설치 수가 50,000개 이상으로 증가할 때 생성되는 훨씬 더 많은 데이터 흐름을 지원합니다.
* 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 10,000~100,000개의 데이터 공급자를 지원하도록 인스턴스를 빠르게 확장합니다.
하루에 약 1억 개의 레코드를 저장하는 최대 2년간의 데이터를 추적하는 데이터 테이블에 대한 분석 및 프레젠테이션을 허용합니다. 원격 측정 흐름과 생산 학습 주기 모두에서 데이터 파이프라인 문제 인식에 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 사용하면 정량적 연구원이 데이터 파이프라인 문제 대신 중요한 문제를 해결할 수 있습니다.

Professional-Data-Engineer 문제 177

데이터세트에 출생연도, 국가, 소득에 대한 개인 및 열이 포함된 행이 포함된 경우 연속형 열은 몇 개이고 범주형 열은 몇 개입니까?

A. 연속형 1개, 범주형 2개

B. 범주형 3개

C. 연속 3개

D. 연속형 2개, 범주형 1개

Professional-Data-Engineer 문제 178

날씨 앱은 15분마다 데이터베이스를 쿼리하여 현재 온도를 가져옵니다. 프런트엔드는 Google App Engine과 수백만 명의 사용자를 위한 서버로 구동됩니다. 데이터베이스 오류에 대응하려면 프런트엔드를 어떻게 설계해야 할까요?

A. 최대 15분까지 지수 백오프를 사용하여 쿼리를 재시도합니다.

B. 데이터의 오래된 상태를 최소화하기 위해 다시 온라인 상태가 될 때까지 매초마다 쿼리를 재시도합니다.

C. 데이터베이스 서버를 다시 시작하는 명령을 실행하십시오.

D. 데이터베이스가 다시 온라인 상태가 될 때까지 쿼리 빈도를 매시간 한 번씩 줄입니다.

Professional-Data-Engineer 문제 179

귀하의 회사에서는 쉼표로 구분된 값(CSV) 파일을 Google BigQuery에 로드하고 있습니다. 데이터를 완전히 가져왔습니다. 그러나 가져온 데이터는 소스 파일과 바이트 단위로 일치하지 않습니다. 이 문제의 가장 가능성 있는 원인은 무엇입니까?

A. BigQuery에 로드된 CSV 데이터가 BigQuery의 기본 인코딩을 사용하지 않습니다.

B. CSV 데이터에 가져오기 시 건너뛴 잘못된 행이 있습니다.

C. CSV 데이터가 BigQuery에 로드되기 전에 ETL 단계를 거치지 않았습니다.

D. BigQuery에 로드된 CSV 데이터가 CSV로 플래그 지정되지 않았습니다.

Professional-Data-Engineer 문제 180

회사의 온프레미스 Apache Hadoop 서버의 수명이 가까워지고 있으며 IT 부서에서는 클러스터를 Google Cloud Dataproc으로 마이그레이션하기로 결정했습니다. 유사한 클러스터 마이그레이션에는 노드당 50TB의 Google 영구 디스크가 필요합니다. CIO는 그만큼의 블록 스토리지를 사용하는 데 드는 비용을 우려하고 있습니다.
마이그레이션에 따른 스토리지 비용을 최소화하려고 합니다. 당신은 무엇을 해야 합니까?

A. 데이터를 Google Cloud Storage에 저장합니다.

B. Cloud Dataproc 클러스터에 선점형 가상 머신(VM)을 사용합니다.

C. 모든 데이터에 충분한 디스크가 있도록 Cloud Dataproc 클러스터를 조정합니다.

D. 콜드 데이터 중 일부를 Google Cloud Storage로 마이그레이션하고 핫 데이터만 영구 디스크에 보관합니다.

다른 버전: 1661Google.Professional-Data-Engineer.v2024-12-06.q306; 1326Google.Professional-Data-Engineer.v2023-06-24.q151; 1831Google.Professional-Data-Engineer.v2023-04-17.q208; 2624Google.Professional-Data-Engineer.v2022-09-06.q248; 2057Google.Professional-Data-Engineer.v2022-05-24.q174

최근 업로드: 110Snowflake.ADA-C02.v2026-06-08.q23; 126Microsoft.SC-300-KR.v2026-06-08.q173; 112Microsoft.DP-300-KR.v2026-06-08.q157; 117Microsoft.MS-102-KR.v2026-06-08.q240; 113Microsoft.DP-300-KR.v2026-06-08.q176; 119Microsoft.SC-100-KR.v2026-06-08.q115; 121TheBerylInstitute.CPXP.v2026-06-06.q56; 190ACAMS.CAMS7-KR.v2026-06-05.q213; 181PaloAltoNetworks.XSIAM-Analyst.v2026-06-04.q72; 156NLN.NEX.v2026-06-04.q54