A. 대기 중인 메시지를 모니터링하는 트랜잭션 데이터베이스를 생성합니다.

B. 에이전트 시스템에서 처리된 주문을 모니터링하기 위해 새로운 Pub/Sub 푸시 구독을 생성합니다.

C. 풀 구독에서 Pub/Sub 방식의 일회성 배송을 사용하세요.

D. 영업 담당자에게 메시지를 보내기 전에 Dataflow에서 중복 제거 PTransform을 사용하십시오.

A. 클라우드 데이터플로우, 클라우드 SQL, 클라우드 스패너

B. 클라우드 데이터프로크, 클라우드 데이터플로우, 빅쿼리

C. 클라우드 Pub/Sub, 클라우드 스토리지, BigQuery

D. 클라우드 Pub/Sub, 클라우드 Dataproc, 클라우드 SQL

A. 새 메시지가 토픽에 게시될 때마다 Pub/Sub 트리거를 사용하여 실행되는 필요한 데이터 처리를 수행하는 클라우드 함수를 생성합니다.

B. 클라우드 함수를 예약하여 매시간 실행되도록 하고, Pub/Sub 토픽에서 사용 가능한 모든 메시지를 가져와 필요한 집계를 수행합니다.

C. Pub/Sub 토픽에서 사용 가능한 모든 메시지를 가져와 필요한 집계를 수행하는 배치 Dataflow 작업을 매시간 실행하도록 예약합니다.

D. Pub/Sub 토픽에서 지속적으로 데이터를 읽고 텀블링 윈도우를 사용하여 집계를 수행하는 스트리밍 Dataflow 작업을 생성합니다.

A. 1. 조직의 데이터 저장을 위한 프로젝트를 생성하세요.
2. 각 부서의 파일을 저장할 세 개의 폴더가 있는 중앙 클라우드 스토리지 버킷을 생성합니다.
3. 부서 이름으로 시작하는 테이블을 포함하는 중앙 BigQuery 데이터 세트를 생성합니다.
4. 부서 사용자에게 스토리지 프로젝트에 대한 보기 권한을 부여하십시오.

B. 1. 각 부서의 데이터 저장을 위한 프로젝트를 생성하세요.
2. 각 부서에서 클라우드 스토리지 버킷과 BigQuery 데이터 세트를 생성할 수 있도록 지원합니다.
3. 각 버킷 및 데이터 세트에 대해 권한이 있는 읽기 전용 사용자 그룹을 생성합니다.
4. IT 팀이 부서의 요청에 따라 사용자를 추가하거나 제거할 수 있도록 사용자 그룹을 관리할 수 있는 권한을 부여합니다.

C. 1. 각 부서의 애플리케이션에 필요한 데이터를 저장할 여러 프로젝트를 생성합니다.
2. 각 부서에서 클라우드 스토리지 버킷과 BigQuery 데이터 세트를 생성할 수 있도록 지원합니다.
3. 각 부서에서 공유한 데이터를 애널리틱스 허브에 게시합니다.
4. 모든 부서가 Analytics Hub에서 필요한 데이터를 검색하고 구독할 수 있도록 지원합니다.

D. 1. 각 부서의 애플리케이션에 필요한 데이터를 저장할 여러 프로젝트를 생성합니다.
2. 각 부서에서 클라우드 스토리지 버킷과 BigQuery 데이터 세트를 생성할 수 있도록 지원합니다.
3. Dataplex에서 각 부서를 데이터 레이크 및 클라우드 스토리지 버킷에 매핑하고 BigQuery 데이터 세트를 영역에 매핑합니다.
4. 각 부서가 자체 데이터 레이크의 데이터를 소유하고 공유할 수 있도록 합니다.

A. Spark MLlib을 사용하여 복잡한 분류 모델을 구축하고 학습시켜 레이블을 생성하고 결과를 필터링합니다.
Cloud Dataproc을 사용하여 모델을 배포하고 애플리케이션에서 해당 모델을 호출하세요.

B. Spark MLlib을 사용하여 분류 모델을 구축하고 학습시켜 레이블을 생성합니다. Spark MLlib을 사용하여 두 번째 분류 모델을 구축하고 학습시켜 고객 선호도에 맞춰 결과를 필터링합니다. Cloud Dataproc을 사용하여 모델을 배포합니다. 애플리케이션에서 모델을 호출합니다.

C. 클라우드 비디오 인텔리전스 API를 호출하여 레이블을 생성하는 애플리케이션을 구축합니다. 데이터를 클라우드 빅테이블에 저장하고, 예측된 레이블을 사용자의 시청 기록과 일치하도록 필터링하여 선호도를 생성합니다.

D. 클라우드 비디오 인텔리전스 API를 호출하여 레이블을 생성하는 애플리케이션을 구축합니다. 데이터를 클라우드 SQL에 저장하고, 예측된 레이블을 조인 및 필터링하여 사용자의 시청 기록과 일치시켜 선호도를 생성합니다.