QCM : Introduction aux Technologies du Big Data — 10 questions

Questions et réponses du QCM

1. En quoi les modèles NoSQL diffèrent-ils ou se ressemblent-ils avec les modèles relationnels traditionnels ?

Les modèles NoSQL utilisent un schéma fixe contrairement aux modèles relationnels.
Les modèles relationnels sont conçus pour gérer des données semi-structurées, contrairement aux modèles NoSQL.
Les modèles NoSQL offrent une scalabilité horizontale alors que les modèles relationnels privilégient la scalabilité verticale.
Les modèles NoSQL ne permettent pas la gestion de données non structurées, contrairement aux modèles relationnels.

Les modèles NoSQL offrent une scalabilité horizontale alors que les modèles relationnels privilégient la scalabilité verticale.

Explication

Les modèles NoSQL se distinguent principalement par leur capacité à offrir une scalabilité horizontale, ce qui est une différence majeure avec les modèles relationnels traditionnels qui privilégient souvent la scalabilité verticale. De plus, NoSQL est adapté aux données semi-structurées ou non structurées, contrairement aux modèles relationnels qui utilisent un schéma fixe.

2. Quel est l'objectif principal du Big Data selon la définition donnée ?

Permettre la collecte, le stockage, le traitement et l’analyse de grands volumes de données pour en extraire des connaissances.
Stocker de petites quantités de données avec une haute précision.
Remplacer complètement tous les systèmes de gestion traditionnels.
Créer des bases de données relationnelles plus performantes.

Permettre la collecte, le stockage, le traitement et l’analyse de grands volumes de données pour en extraire des connaissances.

Explication

Le Big Data vise à gérer de très grands volumes de données hétérogènes pour en extraire des connaissances utiles, ce qui dépasse la simple capacité de stockage ou de gestion des bases traditionnelles.

3. Quelle est la fonction principale de l'architecture distribuée dans le traitement du Big Data ?

Faciliter la scalabilité et la tolérance aux pannes en répartissant la charge de traitement
Permettre la gestion centralisée des données
Assurer la sécurité des données par cryptage
Réduire la consommation énergétique des serveurs

Faciliter la scalabilité et la tolérance aux pannes en répartissant la charge de traitement

Explication

L'architecture distribuée permet de traiter efficacement de très grands volumes de données en répartissant la charge sur plusieurs nœuds, assurant ainsi scalabilité, tolérance aux pannes et performance.

4. Quels sont les 5V du Big Data ?

Volume, Vitesse, Variété, Véracité, Valeur.
Volume, Vélocité, Variabilité, Validité, Valeur.
Vitesse, Variété, Vérification, Validité, Valeur.
Volume, Vélocité, Variété, Validation, Valeur.

Volume, Vitesse, Variété, Véracité, Valeur.

Explication

Les 5V du Big Data sont Volume, Vélocité, Variété, Véracité (fiabilité), et Valeur, qui décrivent les caractéristiques essentielles des enjeux du Big Data.

5. Dans le contexte du Big Data, que désigne le terme 'volume' ?

La véracité ou fiabilité des données
La variété ou diversité des types de données
La quantité massive de données stockées et traitées
La vitesse à laquelle les données sont générées

La quantité massive de données stockées et traitées

Explication

Le 'volume' dans le Big Data fait référence à la quantité importante de données que les systèmes doivent gérer, stocker et analyser, ce qui est une caractéristique fondamentale de cette technologie.

6. Quelle technologie est principalement associée au stockage distribué dans le cadre du Big Data ?

Hadoop, notamment HDFS.
MySQL.
Oracle Database.
SQLite.

Hadoop, notamment HDFS.

Explication

Hadoop, notamment HDFS, est une technologie clé pour le stockage distribué des données dans l'écosystème Big Data, permettant de gérer de très gros volumes sur plusieurs nœuds.

7. Quelle caractéristique différencie les données structurées des données semi-structurées ?

Les données structurées sont organisées selon un schéma fixe, alors que semi-structurées ont une organisation flexible avec des balises ou paires clé-valeur.
Les données structurées sont toujours des images ou vidéos.
Les données semi-structurées sont stockées uniquement dans des bases relationnelles.
Les données semi-structurées sont plus faciles à analyser que les données structurées.

Les données structurées sont organisées selon un schéma fixe, alors que semi-structurées ont une organisation flexible avec des balises ou paires clé-valeur.

Explication

Les données structurées suivent un schéma rigide (ex: SQL), tandis que les semi-structurées comme JSON ou XML ont une organisation plus souple, adaptée à diverses applications dans le Big Data.

8. Quel est l’intérêt principal du Data Lake ?

Stocker toutes les données dans leur format d’origine sans schéma prédéfini.
Optimiser uniquement le traitement des données structurées.
Remplacer complètement les bases de données relationnelles.
Gestion exclusive des données semi-structurées.

Stocker toutes les données dans leur format d’origine sans schéma prédéfini.

Explication

Le Data Lake permet de stocker en masse toutes sortes de données, qu’elles soient structurées, semi-structurées ou non structurées, dans leur format original sans nécessiter de schéma upfront.

9. Quelle évolution technologique est favorisée actuellement pour le traitement des données dans le Big Data ?

Le traitement en mémoire grâce à des frameworks comme Spark.
L’utilisation exclusive des bases SQL relationnelles anciennes.
La suppression des architectures distribuées.
L’abandon du stockage distribué au profit de stockage local.

Le traitement en mémoire grâce à des frameworks comme Spark.

Explication

Le traitement en mémoire, notamment avec Spark, est privilégié pour ses performances accrues dans l’analyse du Big Data, contrairement aux méthodes plus anciennes basées sur le traitement batch classique.

10. Quelle propriété caractéristique d’une architecture distribuée garantit sa capacité à supporter la croissance des données et la tolérance aux pannes ?

Le partage de ressources et la résilience via plusieurs nœuds interconnectés.
L’utilisation exclusive d’un seul serveur puissant.
L’intégration d’un seul type de stockage (ex: SSD uniquement).
La centralisation des traitements sur une machine unique.

Le partage de ressources et la résilience via plusieurs nœuds interconnectés.

Explication

Les architectures distribuées répartissent les ressources et les traitements sur plusieurs nœuds, ce qui permet la scalabilité horizontale et la tolérance aux pannes, indispensables pour le Big Data.

Révisez avec les flashcards

Mémorisez les réponses avec 10 flashcards sur Introduction aux Technologies du Big Data.

Données massives — définition ?

Technologies et méthodes pour traiter de très grands volumes de données.

Big Data — définition?

Technologies pour gérer gros volumes de données.

Architecture distribuée — rôle ?

Partager ressources et données pour scalabilité et tolérance.

Voir les flashcards →

Approfondir avec la fiche

Consultez la fiche de révision complète sur Introduction aux Technologies du Big Data.

Voir la fiche →

Cours similaires

Document sans contenu pédagogique

Anthropologie de la maladie et de la santé

Programme seconde et début première

Enseignement du vocabulaire primaire

Techniques de pose du système de drainage

Introduction au Contrôle et Usage des Armes

Crée tes propres QCM

Importe ton cours et l'IA génère des QCM avec corrections en 30 secondes.

Générateur de QCM