스트림 정적 조인과 정적 델타 테이블에 관한 다음 설명 중 올바른 것은 무엇입니까?

• A. 체크포인트 디렉터리는 조인에 존재하는 고유 키의 상태 정보를 추적하는 데 사용됩니다.
• B. 스트림-정적 조인의 각 마이크로배치는 해당 마이크로배치 시점의 정적 델타 테이블의 최신 버전을 사용합니다.
• C. 스트림-정적 조인의 각 마이크로배치는 작업 초기화 시점의 최신 버전의 정적 델타 테이블을 사용합니다.
• D. 체크포인트 디렉터리는 정적 델타 테이블의 업데이트를 추적하는 데 사용됩니다.
• E. 스트림 정적 조인은 일관성 문제로 인해 정적 델타 테이블을 사용할 수 없습니다.

데이터 엔지니어가 Lakeflow Declarative Pipelines의 Expectations 기능을 사용하여 수신되는 센서 데이터의 품질을 추적하고 있습니다. 센서에서 주기적으로 범위를 벗어난 잘못된 측정값이 전송되는데, 현재는 해당 행에 경고 플래그를 지정하고 정상 데이터와 함께 실버 테이블에 기록하고 있습니다. 그런데 새로운 요구 사항이 생겼습니다. 잘못된 행을 별도의 격리 테이블에 격리하고 더 이상 실버 테이블에 포함하지 않아야 한다는 것입니다.
이것은 그들의 은색 테이블에 대한 기존 코드입니다:
@dlt.table
@dlt.expect("valid_sensor_reading", "reading < 120")
def silver_sensor_readings():
spark.readStream.table("bronze_sensor_readings")를 반환합니다.
어떤 코드가 요구 사항을 충족할까요?

• A. @dlt.table
  @dlt.expect_or_drop("valid_sensor_reading", "reading < 120")
  def silver_sensor_readings():
  spark.readStream.table("bronze_sensor_readings")를 반환합니다.
  @dlt.table
  @dlt.expect_or_drop("invalid_sensor_reading", "reading >= 120")
  def quarantine_sensor_readings():
  spark.readStream.table("bronze_sensor_readings")를 반환합니다.
• B. @dlt.table
  @dlt.expect("valid_sensor_reading", "reading < 120")
  def silver_sensor_readings():
  spark.readStream.table("bronze_sensor_readings")를 반환합니다.
  @dlt.table
  @dlt.expect("invalid_sensor_reading", "reading >= 120")
  def quarantine_sensor_readings():
  spark.readStream.table("bronze_sensor_readings")를 반환합니다.
• C. @dlt.table
  @dlt.expect_or_drop("valid_sensor_reading", "reading < 120")
  def silver_sensor_readings():
  spark.readStream.table("bronze_sensor_readings")를 반환합니다.
  @dlt.table
  @dlt.expect("invalid_sensor_reading", "reading < 120")
  def quarantine_sensor_readings():
  spark.readStream.table("bronze_sensor_readings")를 반환합니다.
• D. @dlt.table
  @dlt.expect_or_drop("valid_sensor_reading", "reading < 120")
  def silver_sensor_readings():
  spark.readStream.table("bronze_sensor_readings")를 반환합니다.
  @dlt.table
  @dlt.expect("invalid_sensor_reading", "reading >= 120")
  def quarantine_sensor_readings():
  spark.readStream.table("bronze_sensor_readings")를 반환합니다.

데이터 거버넌스 팀은 개인 식별 정보(PH)가 포함된 모든 테이블에 명확한 주석을 추가해야 한다는 요구 사항을 도입했습니다. 여기에는 열 주석, 테이블 주석 추가 및 사용자 지정 테이블 속성 "contains_pii" = true 설정이 포함됩니다.
다음 SQL DDL 문이 실행되어 새 테이블이 생성됩니다.

이 세 가지 요구 사항이 충족되었는지 수동으로 확인할 수 있는 명령은 무엇입니까?

• A. 개발 이력 설명 dev.pii 테스트
• B. 확장된 dev.pii 테스트에 대해 설명하세요
• C. dev.pii 테스트의 TBL 속성 표시
• D. dev.pii 테스트 상세 설명
• E. 개발 테이블 표시

데이터 과학 팀은 MLflow를 사용하여 프로덕션 모델을 생성하고 로그에 기록했습니다. 다음 코드는 프로덕션 모델을 올바르게 가져와 적용하여 "customer_id LONG, predictions DOUBLE, date DATE" 스키마를 가진 preds라는 새 DataFrame으로 예측 결과를 출력합니다.

데이터 과학 팀은 예측 결과를 Delta Lake 테이블에 저장하고, 시간 경과에 따른 모든 예측 결과를 비교할 수 있기를 원합니다. 고객 이탈 예측은 하루에 최대 한 번만 수행됩니다.
어떤 코드 블록이 잠재적인 컴퓨팅 비용을 최소화하면서 이 작업을 수행합니까?

• A.
  
• B. preds.write.mode("append").saveAsTable("churn_preds")
• C. preds.write.format("delta").save("/preds/churn_preds")
• D.
  
• E.