Đề thi, bài tập trắc nghiệm online Dữ liệu lớn (BigData) – Đề 5

'Variety' trong mô hình 5V của Big Data đề cập đến sự đa dạng về kiểu dữ liệu (có cấu trúc, bán cấu trúc, phi cấu trúc) và nguồn gốc dữ liệu.

Trực quan hóa dữ liệu chuyển đổi dữ liệu số thành các định dạng đồ họa (biểu đồ, đồ thị, bản đồ...) giúp con người nhận biết và hiểu thông tin, xu hướng và mẫu một cách nhanh chóng và trực quan hơn, đặc biệt với dữ liệu lớn và phức tạp.

Apache Spark là một framework xử lý dữ liệu lớn mã nguồn mở, được tối ưu hóa cho tốc độ và dễ sử dụng. Nó nổi bật với khả năng xử lý dữ liệu trong bộ nhớ, giúp tăng tốc đáng kể so với các framework xử lý dữ liệu trên đĩa như Hadoop MapReduce trong một số trường hợp.

'Value' là yếu tố quan trọng cuối cùng trong 5V, nó nhấn mạnh rằng mục tiêu cuối cùng của việc thu thập và xử lý Big Data là tạo ra giá trị thực sự cho doanh nghiệp, có thể là tăng doanh thu, giảm chi phí, cải thiện quyết định hoặc tạo ra lợi thế cạnh tranh.

Feature Engineering là một bước quan trọng trong Machine Learning, đặc biệt khi làm việc với Big Data. Nó liên quan đến việc hiểu dữ liệu, xác định các thuộc tính quan trọng và biến đổi chúng để mô hình học máy có thể học hiệu quả hơn và đưa ra dự đoán chính xác hơn.

Khai phá dữ liệu là quá trình sử dụng các kỹ thuật phân tích dữ liệu để tự động khám phá ra các mẫu, quy tắc, xu hướng và thông tin có giá trị tiềm ẩn từ các tập dữ liệu lớn.

Học máy là một lĩnh vực của trí tuệ nhân tạo, sử dụng thuật toán để cho phép máy tính học từ dữ liệu mà không cần được lập trình một cách rõ ràng. Trong Big Data, Machine Learning được sử dụng để tự động hóa phân tích, tìm kiếm thông tin ẩn và dự đoán từ lượng dữ liệu khổng lồ.

Data Silos là các tập dữ liệu được lưu trữ và quản lý riêng biệt trong các bộ phận hoặc hệ thống khác nhau của tổ chức. Chúng gây khó khăn cho việc chia sẻ và tích hợp dữ liệu, hạn chế khả năng có được cái nhìn toàn diện và khai thác tối đa giá trị từ dữ liệu lớn.

Điện toán đám mây cung cấp cơ sở hạ tầng linh hoạt và có khả năng mở rộng cao cho Big Data. Người dùng có thể dễ dàng tăng hoặc giảm tài nguyên tính toán và lưu trữ theo nhu cầu, chỉ trả tiền cho những gì sử dụng, và truy cập các dịch vụ và công cụ Big Data tiên tiến mà không cần đầu tư lớn vào phần cứng và phần mềm ban đầu.

Data Lakehouse là một kiến trúc dữ liệu mới nổi, cố gắng kết hợp tính linh hoạt và khả năng lưu trữ dữ liệu đa dạng của Data Lake với khả năng quản lý dữ liệu, hiệu suất truy vấn và các tính năng quản trị của Data Warehouse, tạo ra một nền tảng thống nhất cho nhiều loại hình phân tích dữ liệu.

Batch Processing phù hợp với các tác vụ mà độ trễ không quá quan trọng, và có thể chấp nhận việc xử lý dữ liệu theo từng lô định kỳ. Ví dụ: phân tích dữ liệu bán hàng hàng ngày, báo cáo tài chính hàng tháng. Stream Processing phù hợp khi cần xử lý và phản ứng với dữ liệu ngay lập tức, như phát hiện gian lận thời gian thực hoặc giám sát hệ thống.

In-memory computing tận dụng bộ nhớ RAM để lưu trữ và xử lý dữ liệu, giúp giảm đáng kể thời gian truy cập dữ liệu so với việc truy cập từ đĩa cứng truyền thống. Điều này dẫn đến hiệu suất xử lý dữ liệu nhanh hơn đáng kể, đặc biệt quan trọng trong các ứng dụng Big Data yêu cầu độ trễ thấp.

Data Streaming là công nghệ xử lý dữ liệu liên tục, cho phép phân tích và phản ứng với dữ liệu ngay khi nó được tạo ra, thay vì chờ đợi dữ liệu được thu thập và xử lý theo lô (batch). Nó phù hợp cho các ứng dụng như giám sát thời gian thực, phân tích nhật ký, phát hiện gian lận trực tuyến, v.v.

NoSQL (Not Only SQL) databases được thiết kế để xử lý khối lượng lớn dữ liệu phi cấu trúc hoặc bán cấu trúc, có khả năng mở rộng ngang (horizontally scalable) tốt hơn và linh hoạt hơn trong mô hình dữ liệu so với SQL truyền thống.

Phân tích dự đoán sử dụng các kỹ thuật thống kê, mô hình học máy và khai phá dữ liệu để phân tích dữ liệu hiện tại và lịch sử, nhằm dự đoán các sự kiện, xu hướng hoặc kết quả có thể xảy ra trong tương lai. Mục tiêu là đưa ra các dự đoán có giá trị để hỗ trợ quyết định.

ETL (Extract, Transform, Load) là một quy trình quan trọng trong tích hợp dữ liệu và kho dữ liệu. Nó bao gồm ba giai đoạn: trích xuất dữ liệu từ các nguồn khác nhau, biến đổi dữ liệu để làm sạch, chuẩn hóa và phù hợp với mục tiêu, và tải dữ liệu đã biến đổi vào hệ thống đích (ví dụ: Data Warehouse).

Data Warehouse Appliance là một hệ thống kho dữ liệu hoàn chỉnh, bao gồm cả phần cứng (server, storage) và phần mềm kho dữ liệu, được thiết kế và tối ưu hóa để hoạt động cùng nhau. Data Warehouse Software chỉ là phần mềm kho dữ liệu, cần được cài đặt và cấu hình trên phần cứng riêng.

Columnar Databases lưu trữ dữ liệu theo cột thay vì theo hàng như Row-based Databases. Điều này giúp tối ưu hóa hiệu suất cho các truy vấn phân tích (analytical queries) thường chỉ truy cập một số cột cụ thể, vì hệ thống chỉ cần đọc dữ liệu từ các cột cần thiết, giảm thiểu lượng dữ liệu phải quét và đọc.

Quản lý hồ sơ bệnh nhân điện tử trong một bệnh viện nhỏ có thể không nhất thiết liên quan đến 'Big Data' nếu quy mô dữ liệu không đủ lớn và phức tạp. Các ứng dụng khác (thương mại điện tử, dự báo thời tiết, phát hiện gian lận) thường tạo ra và xử lý lượng dữ liệu lớn, tốc độ cao và đa dạng, điển hình của Big Data.

Khoa học dữ liệu là một lĩnh vực đa ngành, kết hợp các nguyên tắc và phương pháp từ thống kê, toán học, khoa học máy tính (đặc biệt là Machine Learning và Data Mining), cùng với kiến thức chuyên môn về lĩnh vực ứng dụng cụ thể và kỹ năng giao tiếp để hiểu, phân tích và truyền đạt thông tin giá trị từ dữ liệu.

Scalability là khả năng của một hệ thống (phần cứng, phần mềm, kiến trúc mạng) có thể mở rộng để đáp ứng nhu cầu tăng lên về khối lượng công việc, dữ liệu hoặc số lượng người dùng mà không làm giảm hiệu suất hoặc gây ra sự cố. Đây là một yêu cầu quan trọng đối với các hệ thống Big Data.

Data Wrangling, hay còn gọi là Data Munging, là quá trình biến đổi và ánh xạ dữ liệu từ một định dạng thô sang định dạng khác để nó trở nên phù hợp và có giá trị hơn cho các mục đích phân tích và sử dụng khác.

Hadoop là một framework phần mềm mã nguồn mở, cốt lõi là hệ thống tệp phân tán HDFS và mô hình lập trình MapReduce, cho phép xử lý song song dữ liệu lớn trên các cụm máy tính.

Sự phát triển nhanh chóng của Big Data tạo ra nhu cầu lớn về nhân lực có kỹ năng chuyên môn để làm việc với các công nghệ và phương pháp phân tích Big Data. Thiếu hụt nhân lực có kỹ năng là một thách thức đáng kể đối với các tổ chức muốn khai thác hiệu quả Big Data.

'Veracity' đề cập đến độ chính xác, tin cậy và chất lượng của dữ liệu. Thách thức là đảm bảo thông tin thu được từ dữ liệu lớn là đáng tin cậy để đưa ra quyết định chính xác, đặc biệt khi dữ liệu có thể bị nhiễu, không nhất quán hoặc không đầy đủ.

Kiến trúc Lambda là một kiến trúc xử lý dữ liệu được thiết kế để xử lý cả dữ liệu thời gian thực (stream processing) với độ trễ thấp và dữ liệu batch với độ chính xác cao. Nó duy trì hai đường dẫn xử lý song song để đạt được cả hai mục tiêu này.

Data Governance là tập hợp các quy trình, chính sách và tiêu chuẩn để đảm bảo dữ liệu được quản lý và sử dụng một cách hiệu quả, an toàn và tuân thủ các quy định. Trong Big Data, Data Governance trở nên phức tạp hơn do quy mô, tốc độ và sự đa dạng của dữ liệu.

'Velocity' nhấn mạnh tốc độ dòng chảy dữ liệu, bao gồm tốc độ tạo ra dữ liệu mới và tốc độ cần thiết để xử lý dữ liệu đó một cách hiệu quả.

Data Lake lưu trữ dữ liệu ở định dạng gốc, cho phép linh hoạt trong việc xử lý và phân tích sau này. Data Warehouse lưu trữ dữ liệu đã được xử lý, chuyển đổi và cấu trúc hóa cho mục đích báo cáo và phân tích cụ thể.

Big Data tạo ra khả năng thu thập và kết hợp dữ liệu cá nhân từ nhiều nguồn, tạo ra 'bức tranh' chi tiết về cá nhân mà có thể xâm phạm quyền riêng tư nếu không được quản lý và bảo vệ đúng cách. Phân tích dữ liệu lớn có thể tiết lộ thông tin cá nhân mà người dùng không ý thức được mình đang chia sẻ.