A. 모든 데이터 과학자에게 'CUSTOMER DATA' 테이블에 대한 'SELECT' 권한을 부여하고 이를 통해 PII 열을 직접 쿼리하지 않도록 합니다.

B. PII 열(예: 이름, 이메일, 전화번호)을 제외하는 뷰를 생성합니다. 데이터 과학자에게 이 뷰에 대한 'SELECT' 권한을 부여합니다. 또한 'CUSTOMER DATA' 테이블에 PII 열에 대한 데이터 마스킹 정책을 구현하고, 마스킹된 값에 대한 액세스 권한이 필요한 특정 역할에 해당 테이블에 대한 'SELECT' 권한을 부여합니다.

C. PII가 난독화된 후 고객 데이터를 저장하기 위해 임시 테이블을 사용하고, 테이블을 삭제하고 매일 새 데이터를 다시 로드합니다.

D. 'CUSTOMER_DATA' 테이블 전체에 동적 데이터 마스킹을 적용하고, 기본적으로 모든 열을 마스킹하고, 권한이 있는 사용자에게만 복호화 키를 제공합니다.

E. PII 열을 제외한 '고객 데이터' 테이블의 복사본을 생성하고, 데이터 과학자에게 이 복사본에 대한 'SELECT' 권한을 부여합니다. 원본 테이블에는 마스킹 정책을 적용합니다.

A. 옵션 A

B. 옵션 B

C. 옵션 C

D. 옵션 D

E. 옵션 E

A. 매일 전체 데이터 세트에 대한 임베딩을 생성하여 잠재적인 모든 사기 거래를 포착하고 모델이 항상 최신 상태를 유지하도록 보장합니다.

B. Snowflake 작업을 사용하여 마지막 임베딩 생성 실행 이후 추가된 새 거래에 대해서만 임베딩을 증분적으로 생성합니다.

C. 모든 거래 설명에 대한 사전 계산된 임베딩을 포함하는 구체화된 뷰를 만듭니다.

D. OPENAI 임베딩 모델을 사용하여 snowflake-cortex-embed-text 함수를 사용하여 임베딩을 생성합니다.

E. 거래 설명이 변경되지 않으면 임베딩을 다시 계산할 필요가 없도록 거래 설명의 해시에 기반한 캐싱 메커니즘을 구현합니다.

A. 스트림에서 새로운 트랜잭션을 점진적으로 처리하고 기능 테이블을 업데이트하기 위한 'WHEN SYSTEM$STREAM HAS' 절이 있는 Snowflake 작업입니다.

B. 모델에 필요한 기능으로 원시 거래 데이터를 지속적으로 변환하는 동적 테이블이며, 'WAREHOUSE SIZE'를 'X-LARGE'로 설정하여 충분한 컴퓨팅 리소스를 보장합니다.

C. Snowflake의 벡터화된 엔진을 사용하여 최적의 성능을 구현하여 사기 감지 모델을 수신 거래에 적용하는 Snowpark ML 사용자 정의 함수(UDF)입니다.

D. 가장 최근의 거래 데이터를 기반으로 매시간 모델을 재교육하기 위한 Snowflake 작업을 예약했습니다.

E. 동적 테이블로 처리하기 전에 원시 거래 데이터를 스테이징 테이블에 로드하기 위한 자동 수집 기능이 있는 Snowpipe입니다.

A. NLTK 라이브러리를 활용하여 불용어를 제거하고 피드백 텍스트의 어간 추출을 수행하는 Python UDF를 사용합니다. UDF를 적용한 후 Snowpark DataFrame에서 .fillna(")' 메서드를 사용하여 누락된 값을 빈 문자열로 대체하여 처리합니다.

B. Snowflake의 SQL 내장 문자열 함수를 활용하여 미리 정의된 목록을 기반으로 일반적인 불용어를 제거합니다. Snowpark DataFrame을 사용하여 이 SQL 변환을 실행합니다. 어간 추출을 위해 어간 추출 알고리즘을 구현한 Java UDF를 조사하여 배포한 후, Snowpark 변환 파이프라인 내에서 연결합니다. DataFrame 생성 과정에서 'na.fill('N/A')'를 사용하여 누락된 값을 문자열 'N/A'로 바꿉니다.

C. Snowflake에 미리 로드된 Java UDF와 함께 Snowpark의 'call_function'을 활용합니다. 이 함수는 불용어를 제거하고 Lucene과 같은 라이브러리를 사용하여 어간 추출을 수행합니다. 누락된 값은 Snowpark DataFrame으로 초기 데이터 추출 시 SQL의 'NVL' 함수를 사용하여 처리할 수 있습니다.

D. spacy 또는 NLTK와 같은 라이브러리를 사용하여 불용어 제거 및 어간 추출을 수행하고, Pandas의 'fillna()' 메서드를 사용하여 결측값을 처리하여 'FEEDBACK DATA' 테이블을 Pandas DataFrame에 로드합니다. 그런 다음, 정리된 Pandas DataFrame을 Snowpark DataFrame으로 다시 변환합니다. 위 단계 후 데이터프레임의 텍스트 열을 벡터화합니다.

E. REPLACE 함수를 사용하여 불용어를 제거하고, 사용자 정의 조회 테이블을 사용하여 어간 추출하고, COALESC를 사용하여 NULL 값을 처리하는 등 모든 데이터 정리 작업을 단일 SQL 저장 프로시저 내에서 구현합니다. Python용 Snowpark에서 이 저장 프로시저를 호출합니다.