Flashcards : Introduction au Big Data (46 cartes)

Toutes les cartes

1Question

Que désigne le big data selon Wikipédia ?

Réponse

Des ensembles de données dont le volume, la complexité et la vitesse exigent de nouvelles architectures, méthodes et outils pour être exploités.

2Question

Quelle source est associée à la définition du big data ?

Réponse

Wikipédia.

3Question

Qui a présenté les dimensions du volume, de la vélocité et de la variété ?

Réponse

D. Laney.

4Question

Dans quelle œuvre D. Laney a-t-il présenté les trois dimensions du big data ?

Réponse

« 3D Data Management: Controlling Data Volume, Velocity and Variety ».

5Question

Quel principe caractérise le schéma des bases relationnelles structurées ?

Réponse

« Schema first, data second » : le schéma est connu à l’avance.

6Question

Quels formats sont des exemples de données semi-structurées ?

Réponse

XML, JSON et HTML.

7Question

Qu’est-ce qui caractérise le schéma des données semi-structurées ?

Réponse

Il n’est pas connu à l’avance et se mélange aux données.

8Question

Quelle différence structurelle peut exister entre les objets semi-structurés ?

Réponse

Chaque objet peut avoir une structure différente.

9Question

Quelles données servent à réaliser le clustering des magasins ?

Réponse

Les données clients et INSEE, notamment socio-démographiques et géolocalisées.

10Question

Comment le e-commerce peut-il augmenter son taux de transformation ?

Réponse

Par A/B testing et personnalisation en temps réel, à partir du comportement web et du suivi des performances.

11Question

Qu’est-ce que la transformation numérique d’une entreprise ?

Réponse

L’intégration des technologies dans toutes ses activités pour transformer l’usage des données, son fonctionnement et la création de valeur pour ses clients.

12Question

Comment les données sont-elles gérées au stade réactif ?

Réponse

De manière informelle et décentralisée dans des feuilles de calcul, selon le modèle « spreadmart ».

13Question

Qu’apporte le cloud au stade prédictif ?

Réponse

Il permet de traiter des volumes plus importants, des types de données variés et des ingestions plus fréquentes.

14Question

Quel rôle l’apprentissage automatique joue-t-il au stade prédictif ?

Réponse

Il contribue à la prise de décisions en temps réel.

15Question

Comment le DWR organise-t-il les données et associe-t-il calcul et stockage ?

Réponse

En tables, lignes et colonnes, avec calcul et stockage associés.

16Question

Quand le data lake apparaît-il, et sur quelle infrastructure est-il d’abord bâti ?

Réponse

Vers 2010, d’abord sur HDFS.

17Question

Vers quelle année émerge le data warehouse moderne ?

Réponse

Vers 2011.

18Question

Quel référentiel unique le Lakehouse utilise-t-il pour tous les types de données ?

Réponse

Le data lake.

19Question

Qui a popularisé le Lakehouse vers 2020 ?

Réponse

Databricks.

20Question

Quel rôle le Lakehouse vise-t-il à faire disparaître entièrement ?

Réponse

Le DWR.

21Question

Qui a introduit le Data Mesh dans un blog en mai 2019 ?

Réponse

Zhamak Dehghani.

22Question

Dans quel support Zhamak Dehghani a-t-elle introduit le Data Mesh ?

Réponse

Dans un blog, en mai 2019.

23Question

Quel est le statut du Data Mesh par rapport à une technologie prête à l’emploi ?

Réponse

C’est un concept.

24Question

Quel volume de données peut être généré ou stocké par jour ?

Réponse

De quelques téraoctets à plusieurs pétaoctets.

25Question

Que mesure la vélocité des données ?

Réponse

La vitesse à laquelle elles sont générées et traitées.

26Question

Quels modes de traitement la vélocité des données comprend-elle ?

Réponse

Le traitement par lots ou en temps réel.

27Question

Que désigne la véracité des données ?

Réponse

Leur exactitude et leur fiabilité variables.

28Question

Dans quels domaines les données non structurées sont-elles notamment utilisées ?

Réponse

Dans les applications grand public, la recherche et le multimédia.

29Question

Comment la quantité et la densité d’information des données non structurées se comparent-elles ?

Réponse

Elles sont plus nombreuses, mais leur densité d’information est plus faible.

30Question

À quoi correspondent 1 ko, 1 Mo et 1 Go dans les exemples de données ?

Réponse

Un courriel en texte brut, une minute de MP3 et un épisode de série, respectivement.

31Question

À quoi correspondent 1 octet et 1 To dans les équivalences données ?

Réponse

Un caractère et 250 films HD, respectivement.

32Question

Quel usage des ventes et de la météo la distribution permet-elle ?

Réponse

La prévision de la demande et de l’approvisionnement par apprentissage automatique.

33Question

Quelles données alimentent les recommandations en e-commerce ?

Réponse

Les données clients et les ventes.

34Question

Quelles méthodes peuvent produire des recommandations en e-commerce ?

Réponse

Du filtrage collaboratif au deep learning, y compris les recommandations en session.

35Question

Quel objectif l’analyse prescriptive poursuit-elle en B2B ?

Réponse

Augmenter le taux de recouvrement par scoring de risque.

36Question

Quelles données alimentent l’analyse prescriptive en B2B ?

Réponse

Les factures et les paiements.

37Question

Quelle limite caractérise la solution de collecte au stade informatif ?

Réponse

Elle est peu évolutive, limitée en taille et en types de données, et ingère les données peu fréquemment.

38Question

Quelles données la solution du stade transformatif peut-elle traiter ?

Réponse

Tous les types de données, quels que soient leur volume, leur vitesse ou leur type.

39Question

Que peuvent créer facilement les utilisateurs non techniciens au stade transformatif ?

Réponse

Des rapports et des tableaux de bord avec les outils de leur choix.

40Question

À quelle entreprise, quelle année, quel chercheur et quel centre de recherche le DWR est-il associé ?

Réponse

À Teradata en 1979, à Jack E. Shemer et à des recherches au Caltech.

41Question

À quelle période la généralisation du DWR date-t-elle ?

Réponse

De la fin des années 1980.

42Question

Quel est le but du DWR vis-à-vis des systèmes OLTP ?

Réponse

Décharger les systèmes OLTP pour exécuter requêtes et rapports sans ralentir la production.

43Question

Quelles technologies le Data Fabric ajoute-t-il au data warehouse moderne ?

Réponse

Des technologies d’ingestion, de sécurisation, d’interrogation et de recherche à grande échelle.

44Question

Qu’ajoute le Lakehouse aux data lakes des années 2010 ?

Réponse

Une couche de stockage transactionnelle.

45Question

Comment le Data Mesh organise-t-il la gestion des données et de l’infrastructure ?

Réponse

Il la décentralise par domaine métier.

46Question

Pourquoi la promesse du data lake de remplacer entièrement le DWR a-t-elle échoué ?

Réponse

Les compétences pointues requises et l’absence de transactions, de schéma et d’audit.

Teste-toi avec le QCM

Teste tes connaissances avec un QCM de 14 questions sur Introduction au Big Data.

1. Une entreprise possède une grande quantité de données hétérogènes qui arrivent rapidement, mais ses outils habituels ne permettent pas de les exploiter efficacement. Quelle caractérisation correspond au Big Data ?

2. Quel chercheur a présenté en 2001 les dimensions volume, vélocité et variété dans « 3D Data Management: Controlling Data Volume, Velocity and Variety » ?

Faire le QCM →

Consultez la fiche

Révisez le cours complet dans la fiche de révision de Introduction au Big Data.

Voir la fiche →

Cours similaires

Crée tes propres flashcards

Importe ton cours et l'IA génère des flashcards en 30 secondes.

Générateur de flashcards