Đề thi, bài tập trắc nghiệm online Dữ liệu lớn (BigData) – Đề 9

Thách thức 'Veracity' (Tính xác thực) của Big Data đề cập đến vấn đề về độ tin cậy, chất lượng và tính chính xác của dữ liệu. Dữ liệu Big Data thường đến từ nhiều nguồn không đồng nhất, có thể chứa lỗi, nhiễu, hoặc thông tin không chính xác. Đảm bảo 'Veracity' là rất quan trọng để có được kết quả phân tích đáng tin cậy. Các lựa chọn khác mô tả các đặc điểm khác của Big Data (Velocity, Variety, Volume).

Hệ thống NoSQL (Not only SQL) được thiết kế để xử lý dữ liệu phi cấu trúc hoặc bán cấu trúc với khả năng mở rộng linh hoạt và hiệu suất cao, phù hợp với yêu cầu lưu trữ của Big Data. RDBMS và Data Warehouse truyền thống thường tối ưu cho dữ liệu cấu trúc.

Phân tích chỉ định (Prescriptive Analytics) là loại phân tích cao cấp nhất, nó không chỉ dự đoán điều gì có thể xảy ra mà còn đưa ra các khuyến nghị hoặc hành động cụ thể nên thực hiện để đạt được kết quả tốt nhất. Nó trả lời câu hỏi 'Chúng ta nên làm gì?' Các loại phân tích khác chỉ dừng lại ở mô tả, chẩn đoán hoặc dự đoán.

Chữ 'V' thứ năm trong mô hình 5V của Big Data là 'Value' (Giá trị), nó nhấn mạnh rằng mục tiêu cuối cùng của Big Data không chỉ là thu thập và xử lý dữ liệu lớn, mà quan trọng hơn là phải chiết xuất được giá trị kinh doanh và thông tin hữu ích từ dữ liệu đó để đưa ra quyết định và tạo ra lợi ích. Các lựa chọn khác mô tả các chữ 'V' khác (Velocity, Volume, Veracity).

Giai đoạn 'Data Wrangling' (hay Data Preparation) là quá trình chuẩn bị dữ liệu trước khi phân tích, bao gồm các hoạt động làm sạch dữ liệu (xử lý dữ liệu thiếu, nhiễu), chuyển đổi dữ liệu sang định dạng phù hợp, và tích hợp dữ liệu từ nhiều nguồn khác nhau. Các lựa chọn khác mô tả các giai đoạn khác trong quy trình Big Data.

Một trong những mối quan tâm đạo đức lớn nhất liên quan đến Big Data là nguy cơ xâm phạm quyền riêng tư và sử dụng dữ liệu cá nhân cho các mục đích không minh bạch hoặc không được sự đồng ý của người dùng. Việc thu thập, phân tích và sử dụng lượng lớn dữ liệu cá nhân có thể dẫn đến các vấn đề về giám sát, phân biệt đối xử và mất kiểm soát dữ liệu cá nhân. Các lựa chọn khác là các thách thức kỹ thuật hoặc kinh tế, không phải là vấn đề đạo đức trực tiếp.

Apache Hive là một hệ thống Data Warehouse được xây dựng trên nền tảng Hadoop, cho phép truy vấn và phân tích dữ liệu lớn bằng ngôn ngữ SQL-like (HiveQL). Excel, Pandas và Access không được thiết kế để truy vấn trực tiếp dữ liệu trong Hadoop ở quy mô lớn.

'Data Silos' (Kho dữ liệu cô lập) là tình trạng dữ liệu được lưu trữ và quản lý riêng biệt trong các hệ thống hoặc bộ phận khác nhau của tổ chức, gây khó khăn trong việc chia sẻ, tích hợp và phân tích dữ liệu một cách toàn diện. Điều này hạn chế khả năng khai thác giá trị tối đa từ dữ liệu Big Data. Các lựa chọn khác không phải là vấn đề do Data Silos gây ra.

Quản lý dữ liệu giao dịch của một cửa hàng tạp hóa nhỏ thường không đòi hỏi đến quy mô và độ phức tạp của Big Data. Các ứng dụng khác (cá nhân hóa trải nghiệm, dự báo thời tiết, phát hiện gian lận) đều là những lĩnh vực mà Big Data mang lại giá trị lớn nhờ khả năng xử lý lượng lớn dữ liệu để tìm ra thông tin hữu ích.

Phân tích dự đoán (Predictive Analytics) sử dụng dữ liệu lịch sử, thống kê, mô hình và kỹ thuật học máy để dự đoán các sự kiện hoặc xu hướng có thể xảy ra trong tương lai. Các loại phân tích khác tập trung vào quá khứ (mô tả, chẩn đoán) hoặc đưa ra khuyến nghị (chỉ định).

Thách thức 'Variety' (Đa dạng) trong Big Data nói đến việc dữ liệu đến từ nhiều nguồn khác nhau và có nhiều định dạng khác nhau (cấu trúc, phi cấu trúc, bán cấu trúc như văn bản, hình ảnh, video, log, sensor data...). Các lựa chọn khác mô tả 'Velocity' (Tốc độ) và 'Veracity' (Tính xác thực).

Phân tích chẩn đoán (Diagnostic Analytics) đi sâu vào dữ liệu lịch sử để tìm hiểu nguyên nhân tại sao một sự kiện hoặc xu hướng đã xảy ra. Nó cố gắng trả lời câu hỏi 'Tại sao?'. Các loại phân tích khác có mục tiêu khác nhau (mô tả, dự đoán, chỉ định).

Big Data trong y tế cho phép phân tích lượng lớn dữ liệu bệnh nhân, dữ liệu nghiên cứu, dữ liệu lâm sàng... để phát hiện ra các mô hình, xu hướng, từ đó cải thiện độ chính xác của chẩn đoán bệnh, dự đoán nguy cơ và phát triển các phương pháp điều trị cá nhân hóa, hiệu quả hơn. Các lựa chọn khác không phải là ưu điểm chính hoặc không thực tế.

Data Lake là một kho lưu trữ dữ liệu tập trung, cho phép lưu trữ dữ liệu thô ở định dạng gốc (cấu trúc, bán cấu trúc, phi cấu trúc) mà không cần phải xử lý trước. Dữ liệu chỉ được làm sạch và chuyển đổi khi có nhu cầu phân tích cụ thể. Lựa chọn 1 mô tả Data Warehouse.

Giảm chiều dữ liệu (Dimensionality reduction) là một kỹ thuật được sử dụng để giảm số lượng thuộc tính (features) của dữ liệu trong Big Data, giúp đơn giản hóa mô hình, giảm độ phức tạp tính toán và cải thiện hiệu suất phân tích. Các phương pháp khác (mã hóa, tăng kích thước lưu trữ, sao lưu) không liên quan đến việc giảm chiều dữ liệu.

Hadoop MapReduce là một framework lập trình và mô hình xử lý dữ liệu cho phép xử lý song song các tập dữ liệu lớn trên một cụm máy tính. SQL truyền thống, Excel và Access không được thiết kế để xử lý song song quy mô lớn như Big Data.

'Data Sampling' (Lấy mẫu dữ liệu) là kỹ thuật chọn một phần nhỏ đại diện từ tập dữ liệu lớn để phân tích. Nó được sử dụng khi việc xử lý toàn bộ tập dữ liệu là quá tốn kém về thời gian hoặc tài nguyên, và chấp nhận một mức độ sai số nhất định để có được kết quả phân tích nhanh chóng. Các lựa chọn khác không phải là lý do sử dụng Data Sampling.

Tableau là một công cụ trực quan hóa dữ liệu mạnh mẽ, thường được sử dụng để tạo ra các biểu đồ, dashboard và báo cáo tương tác từ dữ liệu Big Data. Hadoop, Spark và MapReduce là các công nghệ xử lý và lưu trữ dữ liệu, không phải công cụ trực quan hóa trực tiếp.

Apache Spark Streaming là một extension của Apache Spark, được thiết kế để xử lý dữ liệu stream (dữ liệu liên tục) trong thời gian thực. Hadoop MapReduce phù hợp hơn cho xử lý batch. Data Warehouse và RDBMS không được thiết kế cho xử lý stream thời gian thực.

Data Governance (Quản trị dữ liệu) là một khuôn khổ toàn diện để quản lý dữ liệu trong tổ chức, bao gồm các chính sách, quy trình, tiêu chuẩn và vai trò để đảm bảo dữ liệu chất lượng, an toàn, tuân thủ các quy định và dễ dàng sử dụng cho mục đích kinh doanh. Các lựa chọn khác chỉ đề cập đến một phần của quản trị dữ liệu.

Phân tích mô tả (Descriptive Analytics) sử dụng dữ liệu lịch sử để hiểu và tóm tắt những gì đã xảy ra trong quá khứ, thường thông qua báo cáo, thống kê và trực quan hóa dữ liệu. Các loại phân tích khác hướng đến tương lai (dự đoán), tìm nguyên nhân (chẩn đoán) hoặc đưa ra khuyến nghị (chỉ định).

Đặc điểm 'Volume' (Khối lượng) của Big Data tập trung vào lượng dữ liệu cực lớn được tạo ra và lưu trữ. Các lựa chọn khác mô tả các đặc điểm khác của Big Data (Velocity - Tốc độ, Variety - Đa dạng, Veracity - Tính xác thực).

'Data Fabric' (Mạng lưới dữ liệu) là một kiến trúc dữ liệu mới nổi, hướng đến việc tạo ra một lớp trừu tượng thống nhất trên các nguồn dữ liệu phân tán và đa dạng, cho phép truy cập, quản lý và chia sẻ dữ liệu một cách dễ dàng và linh hoạt, bất kể dữ liệu được lưu trữ ở đâu. Mục tiêu là phá vỡ các Data Silos và tạo ra một cái nhìn toàn diện về dữ liệu của tổ chức. Các lựa chọn khác không phản ánh mục tiêu chính của Data Fabric.

Kiến trúc Lambda là một kiến trúc xử lý dữ liệu Big Data được thiết kế để xử lý đồng thời cả dữ liệu batch (lô, lịch sử) và dữ liệu stream (thời gian thực). Nó bao gồm một lớp batch để xử lý dữ liệu lịch sử và một lớp speed (tốc độ) để xử lý dữ liệu thời gian thực, sau đó kết hợp kết quả để cung cấp cái nhìn toàn diện và cập nhật. Các lựa chọn khác không phải là mục tiêu chính của kiến trúc Lambda.

SQL Server là một hệ quản trị cơ sở dữ liệu quan hệ (RDBMS) của Microsoft, không phải là một thành phần của hệ sinh thái Hadoop. HDFS (hệ thống tệp phân tán Hadoop), MapReduce (mô hình xử lý dữ liệu), và Spark (nền tảng xử lý dữ liệu nhanh) là các thành phần quan trọng của hệ sinh thái Hadoop.

MySQL là một hệ quản trị cơ sở dữ liệu quan hệ (RDBMS) truyền thống, không phải là NoSQL. MongoDB, Apache Cassandra và Redis là các nền tảng NoSQL phổ biến, mỗi nền tảng có đặc điểm và ứng dụng riêng.

Ứng dụng Big Data trong tài chính ngân hàng tập trung vào việc khai thác dữ liệu để cải thiện trải nghiệm khách hàng (cá nhân hóa dịch vụ), phát hiện và ngăn chặn gian lận, quản lý rủi ro (tín dụng, thị trường), và đưa ra các quyết định kinh doanh thông minh dựa trên phân tích dữ liệu. Các lựa chọn khác chỉ đề cập đến một phần nhỏ hoặc không phải là mục tiêu chính.

'Schema-on-Read' là một đặc điểm của các hệ thống NoSQL và Data Lake trong Big Data. Nó có nghĩa là cấu trúc dữ liệu (schema) không cần phải được xác định trước khi dữ liệu được lưu trữ. Thay vào đó, schema được áp dụng khi dữ liệu được đọc và phân tích, mang lại sự linh hoạt cao trong việc xử lý dữ liệu đa dạng và thay đổi.

Thách thức 'Velocity' (Tốc độ) liên quan đến tốc độ dữ liệu được tạo ra và cần được xử lý. Xử lý dữ liệu theo thời gian thực (Real-time processing) là giải pháp chính để đối phó với tốc độ cao này, cho phép phân tích và phản ứng ngay lập tức với dữ liệu mới. Data Warehouse, bảo mật và chuẩn hóa định dạng không trực tiếp giải quyết vấn đề tốc độ xử lý.

'Data Mining' (Khai phá dữ liệu) là quá trình khám phá và khai thác các mẫu, quy luật, mối quan hệ và tri thức ẩn sâu trong các tập dữ liệu lớn. Nó sử dụng các kỹ thuật thống kê, học máy và trí tuệ nhân tạo để tìm ra thông tin hữu ích từ dữ liệu. Các lựa chọn khác mô tả các hoạt động khác liên quan đến dữ liệu, nhưng không phải là mục tiêu chính của Data Mining.