Publicado el

GCP Professional Data Engineer Guide – September 2020

I have recently recalled my first experience with GCP. It was in London, shortly before the 2012 Olympics, in an online gaming project, initially thought for AWS, that was migrated to App Engine – PAAS platform that would evolve to the current GCP.

My initial impression was good, although the platform imposed a number of development limitations, which would be reduced later with the release of App Engine Flexible.

Coinciding with the launch of Tensor Flow as an Open Source framework in 2015, I was lucky enough to attend a workshop on neural networks – given by one of the AI scientists from Google Seattle – where I had my second experience with the platform. I was very surprised by the simplicity of configuration and deployment, the NoOps concept and a Machine Learning / AI offering, without competition at the time.

Do Androids Dream of Electric Sheep? Philip K. Dick would have “hallucinated” with the electrical dreams of neural networks – powered by Tensor Flow.

Exam

The structure of the exam is the usual one in GCP exams: 2 hours and 50 questions, with a format directed towards scenario-type questions, mixing questions of high difficulty with simpler ones of medium-low difficulty.

In general, to choose the correct answer, you have to apply technical and business criteria. Therefore, it is necessary a deep knowledge of the services from the technological point of view, as well as skill / experience to apply the business criteria in a contextual way, depending on the question, type of environment, sector, application, etc .. .

Image #1, Data Lake, the ubiquitous architecture – Image owned by GCP

We can group the relevant services according to the states (and substates) of the data cycle:

Management, Storage, Transformation and Analysis.

  • Ingestion Batch / Data Lake: Cloud Storage.
  • Ingestion Streaming: Kafka, Pub/Sub, Computing Services, Cloud IoT Core.
  • Migrations: Transfer Appliance, Transfer Service, Interconnect, gsutil.
  • Transformations: Dataflow, Dataproc, Cloud Dataprep, Hadoop, Apache Beam.
  • Computing: Kubernetes Engine, Compute Instances, Cloud Functions, App Engine.
  • Storage: Cloud SQL, Cloud Spanner, Datastore / Firebase, BigQuery, BigTable, HBase, MongoDB, Cassandra.
  • Cache: Cloud Memorystore, Redis.
  • Analysis / Data Operations: BigQuery, Cloud Datalab, Data Studio, DataPrep, Cloud Composer, Apache Airflow.
  • Machine Learning: AI Platform, BigQueryML, Cloud AutoML, Tensor Flow, Cloud Text-to-Speech API, Cloud Speech-to-Text, Cloud Vision API, Cloud Video AI, Translations, Recommendations API, Cloud Inference API, Natural Language, DialogFlow, Spark MLib.
  • IoT: Cloud IoT Core, Cloud IoT Edge.
  • Security & encryption: IAM, Roles, Encryption, KMS, Data Prevention API, Compliance …
  • Operations: Kubeflow, AI Platform, Cloud Deployment Manager …
  • Monitorization: Cloud Stackdriver Logging, Stackdriver Monitoring.
  • Optimization: Cost control, Autoscaling, Preemptive instances …

Pre-requisites and recommendations

At this level of certification, the questions do not refer, in general, to a single topic. That is, a question from the Analytics domain may require more or less advanced knowledge of Computing, Security, Networking or DevOps to be able to solve it successfully. I´d recommend having the GCP Associate Cloud Engineer certification or have equivalent knowledge.

  • GCP experience at the architectural level. The exam is focused, in part, on the architecture solution, design and deployment of data pipelines; selection of technologies to solve business problems, and to a lesser extent development. I´d recommend studying as many reference architectures as possible, such as the ones I show in this guide.
  • GCP experience at the development level. Although no explicit programming questions appeared in my question set, or in the mock test, the exam requires technical knowledge of services and APIS: SQL, Python, REST, algorithms, Map-Reduce, Spark, Apache Beam (Dataflow) …
  • GCP experience at Security level. Domain that appears transversally in all certifications – I´d recommend knowledge at the level of Associate Engineer.
  • GCP experience at Networking level. Another domain that appears transversely – I´d recommend knowledge at the level of Associate Engineer.
  • Knowledge of Data Analytics. It’s a no-brainer, but some domain knowledge is essential. Otherwise, I´d recommend studying books like “Data Analytics with Hadoop” or taking courses like Specialized Program: Data Engineering, Big Data and ML on Google Cloud in Coursera. Likewise, practicing with laboratories or pet projects is essential to obtain some practical experience.
  • Knowledge of the Hadoop – Spark ecosystem. Connected with the previous point. High-level knowledge of the ecosystem is necessary: Map Reduce, Spark, Hive, Hdfs, Pig …
  • Knowledge of Machine Learning and IoT. Advanced knowledge in Data Science and Machine Learning is essential, apart from specific knowledge of GCP products. There are questions exclusively about this domain – at the level of certifications like AWS Machine Learning or higher. IoT appears on the exam in a lighter form, but it is essential to know the architecture and services of reference.
  • DevOps experience. Concepts such as CI / CD, infrastructure or configuration as code, are of great importance today, and this is reflected in the exam, although they do not have a great specific weight.

Standard questions

Representative question of the level of difficulty of the exam.

Image property of GCP

Practical migration scenario question, that includes cloud services and the Hadoop ecosystem, as well as concepts from the Analytics domain.

Services to study in detail

Image #2 – property of GCP
  • Cloud Storage – Core service that appears consistently in all certifications, and is central in the Data Lake systems. I´d recommend its study in detail at an architectural level – see Image 1 -, configurations according to the data temperature, and as an integration / storage element between the different services
  • BigQuery – Core service in the Analytics GCP domain as a BI and storage element. Extremely important in the exam, so have to be studied in detail: architecture, configuration, backups, export / import, streaming, batch, security, partitioning, sharding, projects, datasets, views, integration with other services, cost, queries and optimization SQL (legacy and standard) at table levels, keys …
  • Pub / Sub – Core service as an element of ingestion and integration. Its in-depth study is highly recommended: use cases, architecture, configuration, API, security and integration with other services (eg Dataflow, Cloud Storage) – Kafka’s native cloud mirror service.
  • Dataflow – Core service in the Analytics GCP domain as a process and transformation element. Implementation based on Apache Beam that is necessary to know at a high level and pipeline design. Use cases, architecture, configuration, API and integration with other services.
  • Dataproc – Core service in the Analytics GCP domain as a process and transformation element. It is a service based on Hadoop, and therefore, it is the indicated service for a migration to the cloud. In this case, not only knowledge of Dataproc is required, but also in native services: Spark, HDFS, HBase, Pig … use cases, architecture, configuration, import / export, reliability, optimization, cost, API and integration with other services.
  • Cloud SQL, Cloud Spanner – Cloud native relational databases. Use cases, architecture, configuration, security, performance, reliability, cost and optimization: clusters, transactionality, disaster recovery, backups, export / import, SQL performance and optimization, tables, queries, keys and debugging. Integration with other services.
  • Cloud Bigtable – Low latency NoSQL managed database, suitable for time series, IoT… ideal to replace a HBase installation on premise. Use cases, architecture, configuration, security, performance, reliability and optimization: clusters, CAP, backups, export / import, partitioning, performance, and optimization of tables, queries, keys. Integration with other services.
  • Machine Learning – One of the strengths of the certification is the domain “Operationalizing machine learning models”. Much more dense and complex than it may seem at first, since it not only includes the operability and knowledge of the relevant GCP services; likewise, it includes the knowledge of the Data Science fundamentals: algorithm selection, optimization, metrics … The level of difficulty of the questions is variable, but comparable to that of specific certifications, such as AWS Certified Machine Learning – Specialty. Most important services: BigQuery ML, Cloud Vision API, Cloud Video Intelligence, Cloud AutoML, Tensor Flow, Dialogflow, GPU´s, TPU´s …
  • Security – Security is a transversal concern across all domains, and appears consistently in all certifications. In this case, it appears as an independent technical topic, crosscutting concern or as a business requirement: KMS, IAM, Policies, Roles, Encryption, Data Prevention API …
Image #3, IoT Reference Architecture – owned by GCP

Very important services to consider

  • Networking – Cross-domain that can appear in the form of separate technical issues, cross cutting concerns, or as business requirements: VPC, Direct Interconnect, Multi Region / Zone, Hybrid connectivity, Firewall rules, Load Balancing, Network Security, Container Networking, API Access ( private / public) …
  • Hadoop – The exam covers ecosystems and third-party services like Hadoop, Spark, HDFS, Hive, Pig … use cases, architecture, functionality, integration and migration to GCP.
  • Apache Kafka – Alternative service to Pub / Sub, so it is advisable to study it at a high level: use cases, operational characteristics, configuration, migration and integration with GCP – plugins, connectors.
  • IoT – It can appear in various questions at the architectural level: use cases, reference architecture and integration with other services. IoT core, Edge Computing.
  • Datastore / Firebase – Document database. Use cases, configuration, performance, entity model, keys and index optimization, transactions, backups, export / import and integration with other services. It doesn’t carry as much weight as the other data repositories.
  • Cloud Memory Store / Redis – Structured data cache repository. Use cases, architecture, configuration, performance, reliability and optimization: clusters, backups, export / import and integration with other services.
  • Cloud Dataprep – Use cases, console and general operation, supported formats, and Dataflow integration.
  • Cloud Stackdriver – Use cases, monitoring and logging, both at the system and application level: Cloud Stackdriver Logging, Cloud Stackdriver Monitoring, Stackdriver Agent and plugins.

Other services

  • MongoDB, Cassandra – NoSQL databases that can appear in different scenarios. Use cases, architecture and integration with other services.
  • Cloud Composer – Use cases, general operation and web console, configuration of diagram types, supported formats, import / export, integration with other services, connectors.
  • Cloud Data Studio – Use cases, configuration, networking, security, general operation and environment, and integration with other services.
  • Cloud Data Lab – Use cases, general operation and web console, types of diagrams, supported formats, import / export and integration with other services.
  • Kubernetes Engine – Use cases, architecture, clustering and integration with other services.
  • Kubeflow – Use cases, architecture, environment configuration, Kubernetes.
  • Apache Airflow – Use cases, architecture and general operation.
  • Cloud Functions – Use cases, architecture, configuration and integration with other services – such as Cloud Storage and Pub / Sub, in Push / Pull mode.
  • Compute Engine – Use cases, architecture, configuration, high availability, reliability and integration with other services.
  • App Engine – Use cases, architecture and integration with other services.

Bibliography & essential resources

Google provides a large number of resources for the preparation of this certification, in the form of courses, official guide book, documentation and mock exams. These resources are highly recommended, and in some cases, I would say essential.

The Certification Preparation Course, contained in the Data Engineering Specialized Program, includes an extra exam, lots of additional tips and materials and labs – using the external Qwik Labs tool.


Bibliography (selection) that I have used for the preparation of the certification

As I have previously indicated, I find the Google courses on Coursera to be excellent, as they combine a series of short videos, reading material, labs, and test questions, thus creating a very dynamic experience. In any case, they should only be considered as a starting point, being necessary the deepening – according to experience – in each one of the domains using, for instance, the excellent GCP documentation.

But you should not limit yourself to online courses. I can’t hide the fact that I love books in general, and IT books in particular. In fact, I have a huge collection of books dating back to the 80s, which at some point I will donate to a local Cervantina bookstore.

Books provide a deeper and more dynamic experience than videos, which can be a bit monotonous if they are too long – as well as being a much more passive experience – like watching TV. The ideal is the combination of audiovisual and written media, thus creating your own learning path.

Laboratories

Image #4 – Data Lake based upon Cloud Storage – owned by GCP

Part of the job as a Data Engineer consists of creating, integrating, deploying and maintaining data pipelines, both in batch and streaming mode.

The Data Engineering Quest contains several labs that introduce the creation of different data transformation, IoT, and Machine Learning pipelines, so I find them excellent exercises – and not just for certification.

Is it worth it?

The level of certification is advanced, and in general, it should not be the first cloud certification to obtain. It covers a large amount of material and domains, so tackling it without a certain level of prior knowledge can be quite a complex task.

If we compare it with the mirror certification on the AWS platform, it covers almost twice as much material, mainly due to the inclusion of questions about the Machine Learning / Data Science domain – which in the case of AWS have been eliminated, to be included in its own certification. Therefore, it is like taking two certifications in one.

Is it worth? of course, but not as a first certification – depending on the experience provided.

Certifications are a good way, not only to validate knowledge externally, but to collect updated information, validate good practices and consolidate knowledge with real practical cases (or almost).

Good luck to you all!

Publicado el

GCP Professional Data Engineer – Guía Septiembre 2020

Hace poco tiempo recordé mi primera experiencia con GCP. Fue en Londres, poco antes de las Olimpiadas de 2012, en un proyecto del ámbito online gaming, inicialmente pensado para AWS que fue migrado a App Engine – plataforma PAAS que evolucionaría a la actual GCP.

Mi impresión inicial fue buena, aunque la plataforma imponía un cierto número de limitaciones al desarrollo, que serían reducidas posteriormente con el lanzamiento de App Engine Flexible.

Coincidiendo con el lanzamiento de Tensor Flow como framework Open Source en 2015, tuve la suerte de asistir a un workshop sobre redes neuronales – impartido por uno de los científicos AI de Google Seattle – donde tuve mi segunda experiencia con la plataforma. Quedé muy sorprendido por la simplicidad de configuración y despliegue, el concepto NoOps y una oferta de Machine Learning / AI, sin competencia en aquel momento.

¿Sueñan los androides con ovejas eléctricas? Philip K. Dick habría “alucinado” con los sueños eléctricos de las redes neuronales – alimentadas por Tensor Flow.

Examen

La estructura del examen es la habitual en los exámenes de GCP: 2 horas y 50 preguntas, con un formato definitivamente dirigido hacia las preguntas tipo escenario, mezclando preguntas de dificultad alta, con otras más sencillas de dificultad media – baja.

En general, para seleccionar la respuesta correcta hay que aplicar criterios técnicos y de negocio. Es necesario, por tanto, un conocimiento profundo de los servicios desde el punto de vista tecnológico, así como destreza / experiencia para aplicar los criterios de negocio de forma contextual, según pregunta, tipo de entorno, sector, aplicación etc …

Imagen 1, Data Lake, la arquitectura ubicua – Imágen propiedad de GCP

Podemos agrupar los servicios relevantes según los estados (y subestados) del ciclo del dato:

Ingestión, Almacenamiento, Transformación y Análisis.

  • Ingestión Batch / Data Lake : Cloud Storage.
  • Ingestión Streaming: Kafka, Pub/Sub, Computing Services, Cloud IoT Core.
  • Migraciones: Transfer Appliance, Transfer Service, Interconnect, gsutil.
  • Transformación: Dataflow, Dataproc, Cloud Dataprep, Hadoop, Apache Beam.
  • Computación: Kubernetes Engine, Compute Instances, Cloud Functions, App Engine.
  • Almacenamiento: Cloud SQL, Cloud Spanner, Datastore / Firebase, BigQuery, BigTable, HBase, MongoDB, Cassandra.
  • Cache: Cloud Memorystore, Redis.
  • Análisis: / Data Operations: BigQuery, Cloud Datalab, Data Studio, DataPrep, Cloud Composer, Apache Airflow.
  • Machine Learning: AI Platform, BigQueryML, Cloud AutoML, Tensor Flow, Cloud Text-to-Speech API, Cloud Speech-to-Text, Cloud Vision API, Cloud Video AI, Translations, Recommendations API, Cloud Inference API, Natural Language, DialogFlow, Spark MLib.
  • IoT: Cloud IoT Core, Cloud IoT Edge.
  • Seguridad y encriptación: IAM, Roles, Encryption, KMS, Data Prevention API, Compliance …
  • Operaciones: Kubeflow, AI Platform, Cloud Deployment Manager …
  • Monitorización: Cloud Stackdriver Logging, Stackdriver Monitoring.
  • Optimización: Control de costes, Autoscaling, Preemptive instances …

Pre-requisitos y recomendaciones

A este nivel de certificación las preguntas no se refieren, en general, a un solo tópico. Es decir, una pregunta del dominio Analytics puede requerir conocimientos más o menos avanzados de Computación, Seguridad, Networking o DevOps para poder resolverla con éxito. Recomiendo estar en posesión de la certificación GCP Associate Cloud Engineer o tener conocimientos equivalentes.

  • Experiencia GCP a nivel arquitectural. El examen está enfocado, en parte, a la solución de arquitectura, diseño y despliegue de pipelines de datos; selección de tecnologías para solucionar problemas de negocio, y en menor medida al desarrollo. Recomiendo el estudio del mayor número posible de arquitecturas de referencia, como las que muestro en la presente guía.
  • Experiencia GCP a nivel desarrollo. Aunque en mi set de preguntas, y en el examen de prueba, no aparecen preguntas explícitas de programación, el examen requiere conocimiento a nivel técnico de servicios y de APIS: SQL, Python, REST, algoritmos, Map-Reduce, Spark, Apache Beam (Dataflow) …
  • Experiencia GCP a nivel Seguridad. Dominio presente de forma transversal en casi todas las certificaciones. Recomiendo conocimientos (al menos) a nivel de Associate Engineer.
  • Experiencia GCP a nivel Networking. Otro dominio presente de forma transversal. Recomiendo conocimientos (al menos) a nivel de Associate Engineer.
  • Conocimientos de Data Analytics. Es una obviedad, pero es imprescindible conocimiento del dominio. En caso contrario, recomiendo estudiar libros como “Data Analytics with Hadoop” o realizar cursos como Programa especializado: Data Engineering, Big Data and ML on Google Cloud en Español. Así mismo, realizar laboratorios o proyectos pet, para obtener cierta experiencia práctica.
  • Conocimientos del ecosistema Hadoop – Spark, conectado con el punto anterior. Son necesarios conocimientos a alto nivel del ecosistema: Map Reduce, Spark, Hive, Hdfs, Pig, …
  • Conocimientos de Machine Learning e IoT. Imprescindible conocimientos avanzados en Data Science y Machine Learning, aparte del conocimiento específico de los productos de GCP. Hay preguntas exclusivamente sobre este dominio – al nivel de certificaciones como AWS Machine Learning o superior. IoT aparece en el examen de una forma más ligera, pero es imprescindible conocer la arquitectura y servicios de referencia.
  • Experiencia DevOps. Conceptos como CI/CD, infraestructura o configuración como código, son de gran importancia en la actualidad, y así se refleja en el examen, aunque no tiene un gran peso específico.

Preguntas tipo

Pregunta representativa del nivel de dificultad del examen.

Imagen propiedad de GCP

Escenario práctico de migración donde se incluyen servicios cloud y del ecosistema Hadoop, así como conceptos propios del dominio Analytics.

Servicios a estudiar de forma detallada

Imagen 2 – propiedad de GCP
  • Cloud Storage – Servicio core que aparece de forma consistente en todas las certificaciones, y figura central en los entonor denominados Data Lake. Recomiendo su estudio en detalle a nivel arquitectural – ver Imagen 1 – configuraciones según la temperatura del dato, y como elemento de integración / almacenamiento entre los diferentes servicios
  • BigQuery – Servicio central en el dominio Analytics GCP como elemento de BI y almacenamiento. Fundamental en el examen, por lo que es conveniente estudiarlo en detalle: arquitectura, configuración, backups, export/import, streaming, batch, seguridad, partitioning, sharding, proyectos, datasets, vistas, integración con otros servicios, coste, querys y optimización SQL (legacy y standard) a niveles de tablas, keys …
  • Pub / Sub – Servicio central como elemento de ingesta y de integración. Su estudio en profundidad es muy recomendable: casos de uso, arquitectura, configuración, API, seguridad e integración con otros servicios (p.e Dataflow, Cloud Storage) – servicio “mirror” cloud nativo de Kafka.
  • Dataflow – Servicio central en el dominio Analytics GCP como elemento de proceso y transformación. Implementación basada en Apache Beam que es necesario conocer a alto nivel y de diseño de pipelines. Casos de uso, arquitectura, configuración, API e integración con otros servicios.
  • Dataproc – Servicio central en el dominio Analytics GCP como elemento de proceso y transformación. Es un servicio basado en Hadoop, y por lo tanto, es el servicio indicado para una migración al cloud. En este caso, no solo son necesarios conocimientos de Dataproc, sino también en los servicios nativos: Spark, HDFS, HBase, Pig… casos de uso, arquitectura, configuración, import/export, reliability, optimización, coste, API e integración con otros servicios.
  • Cloud SQL, Cloud Spanner – Bases de datos relacionales nativas cloud. Casos de uso, arquitectura, configuración, seguridad, performance, reliability, coste y optimización: clusters, transaccionalidad, disaster recovery, backups, export/import, performance y optimización SQL, tablas, queries, keys y depuración. Integración con otros servicios.
  • Cloud Bigtable – Base de datos manejada NoSQL de baja latencia, indicada para time series, IoT, … ideal para reemplazar una instalación HBase on premise. Casos de uso, arquitectura, configuración, seguridad, performance, reliability y optimización: clusters, CAP, backups, export/import, partitioning, performance, y optimización de tablas, queries, keys. Integración con otros servicios.
  • Machine Learning – Uno de los puntos fuertes de la certificación es el dominio “Operationalizing machine learning models”. Mucho más denso y complejo de lo que puede parecer en un principio, ya que no solo incluye la operatividad y el conocimiento de los servicios relevantes de GCP; así mismo, incluye el manejo a nivel conceptual de los fundamentos Data Science: selección de algoritmos, optimización, métricas … El nivel de dificultad de las preguntas es variable, pero comparable al de certificaciones específicas, como AWS Certified Machine Learning – Specialty. Servicios más importantes: BigQuery ML, Cloud Vision API, Cloud Video Intelligence, Cloud AutoML,Tensorflow, Dialogflow, GPU´s, TPU´s …
  • Security – La Seguridad es transversal a todos los dominios, y aparece de forma consistente en todas las certificaciones. Es este caso, aparece como tópico técnico independiente, crosscutting concern o como business requirement: KMS, IAM, Policies, Roles, Encriptación, Data Prevention API …
Imagen 3 – IoT Arquitectura de Referencia – propiedad de GCP

Servicios muy importantes a tener en cuenta

  • Networking – Dominio transversal que puede aparecer en forma de cuestiones técnicas independientes, cross cutting concerns o como business requirements: VPC, Direct Interconnect, Multi Region / Zone, Hybrid connectivity, Firewall rules, Load Balancing, Network Security, Container Networking, API Access (private / public) …
  • Hadoop – El examen cubre ecosistemas y servicios de terceros como Hadoop, Spark, HDFS, Hive, Pig… casos de uso, arquitectura, funcionalidad, integración y migración a GCP.
  • Apache Kafka – Servicio alternativo a Pub/Sub, por lo que es recomendable estudiarlo a alto nivel: casos de uso, características operacionales, configuración, migración e integración con GCP – plugins, conectores.
  • IoT – Puede aparecer en varias preguntas a nivel arquitectural: casos de uso, arquitectura de referencia e integración con otros servicios. IoT core, Edge Computing.
  • Datastore / Firebase – Repositorio NoSQL tipo documental. Casos de uso, configuración, performance, modelo de entidades, keys y optimización de índices, transaccionalidad, backups, export/import e integración con otros servicios. No tiene tanto peso como los otros repositorios de datos.
  • Cloud Memory Store / Redis – Repositorio tipo caché de datos estructurados. Casos de uso, arquitectura, configuración, performance, reliability y optimización: clusters, backups, export/import e integración con otros servicios.
  • Cloud Dataprep – Casos de uso, funcionamiento a nivel general y consola, formatos admitidos e integración con Dataflow.
  • Cloud Stackdriver – Casos de uso, monitorización y logging, tanto a nivel de sistema como aplicación: Cloud Stackdriver Logging, Cloud Stackdriver Monitoring, Stackdriver Agent y plugins.

Otros servicios

  • MongoDB, Cassandra – Bases de datos NoSQL que pueden aparecer en distintos escenarios . Casos de uso, arquitectura e integración con otros servicios.
  • Cloud Composer – Casos de uso, funcionamiento a nivel general y consola web, configuración tipos de diagramas, formatos admitidos, import / export, integración con otros servicios, conectores.
  • Cloud Data Studio – Casos de uso, configuración, networking, seguridad, funcionamiento a nivel general y entorno e integración con otros servicios.
  • Cloud Data Lab – Casos de uso, funcionamiento a nivel general y consola web, tipos de diagramas, formatos admitidos, import / export e integración con otros servicios.
  • Kubernetes Engine – Casos de uso, arquitectura, clustering e integración con otros servicios.
  • Kubeflow – Casos de uso, arquitectura, configuración entorno, Kubernetes.
  • Apache Airflow – Casos de uso, arquitectura y funcionamiento general.
  • Cloud Functions – Casos de uso, arquitectura, configuración e integración con otros servicios – como Cloud Storage y Pub/Sub, en modo Push / Pull.
  • Compute Engine – Casos de uso, arquitectura, configuración, high availability, reliability e integración con otros servicios.
  • App Engine – Casos de uso, arquitectura e integración con otros servicios.

Bibliografía & recursos esenciales

Google proporciona una gran cantidad de recursos para la preparación de esta certificación, en forma de cursos, libro guía oficial, documentación y exámenes de prueba. Estos recursos son muy recomendables, y en algunos casos, diría que esenciales.

El Curso de Preparación para la certificación, contenido en el Programa Especializado Data Engineering disponible en Coursera, incluye un examen extra, y una gran cantidad de consejos y materiales adicionales, así como laboratorios – utilizando la herramienta externa Qwik Labs.

Bibliografía (selección) que he utilizado para la preparación de la certificación

Como he indicado previamente, los cursos de Google en Coursera me parecen excelentes, ya que combinan una serie de videos cortos, material de lectura, laboratorios y preguntas de prueba, creando de esta manera una experiencia muy dinámica. De cualquier forma, deben considerarse solamente como punto de partida, siendo necesaria la profundización – según experiencia – en cada uno de los dominios utilizando, por ejemplo, la excelente documentación de GCP.

Pero no solo de documentación y cursos vive el hombre. No puedo ocultar que me encantan los libros en general, y los libros de IT en particular. De hecho, poseo una enorme colección de libros que data desde los años 80s, que en algún momento donaré a librería Cervantina local.

Los libros proporcionan una experiencia más profunda y dinámica que los vídeos, que pueden resultar un poco monótonos si son de larga duración – además de ser una experiencia mucho más pasiva – como ver TV. Lo ideal es la combinación de medios audiovisuales y escritos, creando así tu propio camino de aprendizaje.

Laboratorios

Imagen 4 – Data Lake basado en Cloud Storage – propiedad de GCP

Parte del trabajo como Data Engineer consiste en la creación, integración, despliegue y mantenimiento de pipelines de datos, tanto en modalidad batch como streaming.

Data Engineering Quest contiene varios laboratorios que introducen a la creación de distintas pipelines de transformación de datos, IoT y Machine Learning, por lo que me parecen excelentes ejercicios – y no solo de cara a la certificación.

¿Merece la pena?

El nivel de la certificación es avanzado, y en general, no debería ser la primera certificación del ámbito cloud a obtener. Abarca gran cantidad de material y dominios, por lo que afrontarla sin un cierto nivel de conocimientos previos, puede ser una tarea bastante compleja.

Si la comparamos con la certificación espejo en la plataforma AWS, cubre casi el doble de material, debido sobre todo a la inclusión de preguntas sobre el dominio Machine Learning / Data Science – que en el caso de AWS han sido eliminadas para pasar a su propia certificación. Por tanto, es como tomar dos certificaciones en una sola.

¿Merece la pena? desde luego, pero no como una primera certificación – dependiendo de la experiencia aportada.

Las certificaciones son un buen modo, no solo de validar los conocimientos de forma externa, sino de recopilar información actualizada, validar buenas prácticas y consolidar conocimientos con casos prácticos reales (o casi).

¡Buena suerte a todos!

Publicado el

AWS Data Analytics Specialty, is it worth it?

On April 13, the journey of the new AWS Data Analytics Specialty certification officially began – prior to the beta phase in December 2019 / January 2020. It coincided in time with the AWS Database Specialty Beta, which forced me to choose between the two. Finally, I decided on taking the Databases Specialty, as I had recently tested from AWS Big Data.

The “Beta exam” experience is very different from the “standard” one: 85 questions and 4 hours long – that is, 20 questions and one more hour – a really intense experience. I recommend taking a 5-minute break – in the centers they are allowed – since after the third hour it is very difficult to stay focused.

The certification is the new version of AWS Big Data Specialty, an exam that will be withdrawn in June 2020. I will not go into much depth on the differences, suffice it to say that the domain of Machine Learning has been eliminated, expanding and updating the rest of domains in depth. But beware, Machine Learning and IoT continue to appear integrated in the other domains, therefore, it is necessary to know them at an architectural level, at the very least.

Image from aws.amazon.com

Prerequisites and recommendations

I will not repeat the information that is already available on the AWS website; instead, I am going to give my personal recommendations and observations, as I consider the Learning Path that AWS suggests to be somewhat light for the current level of the exam.

  • AWS experience at the architectural level. The exam is largely focused on advanced architecture solution – 5 pillars – and to a lesser extent on development, which is present mainly in services such as Kinesis and Glue. I recommend being in possession of the AWS Architect Solutions Pro certification or alternatively the AWS Architect Associate + AWS Security Specialty.
  • Advanced AWS security experience. it is a complete domain of the exam, but can be found – cross domain – in many questions. If you are in possession of the AWS Architect Solutions Pro, general security knowledge may be sufficient – not the specific certification knowledge for each service. Otherwise, the AWS Security Specialty is a good option, or equivalent knowledge in certain services – that I will indicate later on.
  • Analytics knowledge. Otherwise, I´d recommend studying books such as “Data Analytics with Hadoop” – O’Reilly 2016, or taking the courses indicated in the AWS Learning Path. Likewise, carry out laboratories or pet projects to obtain some practical experience.
  • Hadoop´s ecosystem knowledge. Connected to the previous point. High-level and architectural knowledge of the ecosystem is a must: ​​Hive, Presto, Pig, …
  • Knowledge of Machine Learning and IoT – AWS ecosystem. Sagemaker and core IoT services at the architectural level

Imagen aws.amazon.com

Exam

The questions follow the style of other certifications such as AWS Pro Architect or Security or Databases Specialty. They are all “scenario based”, long and complex – most of them. You are not going to find many simple questions. Certainly, between 5% and 10% of “easy” questions appeared, but all in a “scenario” format.

Let’s look at an example taken from the AWS sample questions:

Imagen amazon.aws.com

I´d classify this question as “intermediate” level of difficulty. If you have taken the Architect PRO, or some specialty such as Security or Big Data, you will know what I am talking about. Certainly, the level of the questions is much higher and deeper than in the previous version of the exam.

I´d recommend doing the new specialty directly, as the old one contains questions about already deprecated services – or outdated information.

Services to know in depth

Image from aws.amazon.com

AWS Kinesis – in its three modalities, Data Streams, Firehose and Analytics. Architecture, dimensioning, configuration, integration with other services, security, troubleshooting, metrics, optimization and development. Questions of various levels, some of them very complex and of great depth.

AWS Glue – in deep for ETL and discover – an integral part of the exam. Questions of different levels – I did not find them to be the most difficult.

AWS Redshift – architecture, design, dimensioning, integration, security, ETL, backups … a large number of questions and some of them very complex.

AWS EMR / Spark – architecture, sizing configuration, performance, integration with other services, security, integration with the Hadoop ecosystem – very important, but not as important as the previous three services. Very complex questions that require advanced and transversal knowledge of all domains and the Hadoop ecosystem: Hive, HBase, Presto, Scoop, Pig …

Security – KMS encryption, AWS Cloud HMS, Federation, Active Directory, IAM, Policies, Roles etc … in general and for each service in particular. Transversal questions to other domains and of a high difficulty.

Very important services to consider

  • AWS S3 – core service base (storage, security, rules) and new features like AWS S3 Select. It appears consistently across all certifications, which is why I´d assume it’s known in depth except for the new features.
  • AWS Athena – architecture, configuration, integration, performance, use cases. It appears consistently and as an alternative to other services.
  • AWS Managed Kafka – alternative to Kinesis, architecture, configuration, dimensioning, performance, integration, use cases.
  • AWS Quicksight – subscription formats, service features, different ways of viewing, use cases. Alternative to other services.
  • AWS Elastic Search y Kibana (ELK) – architecture, configuration, dimensioning, performance, integration, use cases. Alternative to other services.
  • AWS Lambda – architecture, integration, use cases.
  • AWS StepFunctions – architecture, integration, use cases.
  • AWS DMS – architecture, integration, use cases.
  • AWS DataPipeline – architecture, integration, use cases.
Image from aws.amazon.com

Other services

  • AWS Networking – basic network architectures and knowledge: VPC, security groups, Direct Connect, VPN, Regions, Zones … network configuration of each particular service.
  • AWS DynamoDB, ElasticCache – architecture, integration, use case knowledge. These services, which appeared very prominently in the previous version of the exam, have much less weight in the current one.
  • AWS CloudWatch, Events, Log – architecture, configuration, integration, use case knowledge.
  • AWS RDS y Aurora – architecture, configuration, integration, use case knowledge.
  • EC2, Autoscaling – knowledge of architecture, integration, use cases.
  • SQS, SNS – knowledge of architecture, integration, use cases.
  • AWS Cloudformation – knowledge of architecture, use cases, devops.
  • Sagemaker y AWS IoT core – knowledge of architecture, integration, use cases.

Essential Resources

Is it worth it?

Let´s see 🙂

AWS Data Analytics Specialty is a complex and difficult certification; expensive (300 euros), which requires a very important investment of time – even having experience in analytics and AWS. Therefore, it is not a decision that can be taken lightly.

In my personal case, I found it very convenient to have done it, since I having been working on several projects of that kind – fast data, IoT – under AWS in recent times – apart from being the only certification that I needed to complete the full set of thirteen – if Big Data is included – certifications.

Certifications are a good way, not only to validate knowledge externally, but to collect updated information, validate good practices and consolidate knowledge with real (or almost) practical cases.

For those interested in the analytics field or who have professional experience in it, and who want to make the leap to the cloud, my recommendation is to first obtain an AWS Architect-type certification – preferably PRO – and optionally the Security specialty or equivalent knowledge , at least in the services that I have mentioned in previous points.

For those who already have AWS certifications, but no professional experience in the specific field, it may be a good way to start, but it will not be an easy or short path. I recommend doing labs or pet projects, in order to get some experience necessary to pass the exam.

So is it worth it? Absolutely, but not as a first certification. Especially aimed at people with advanced knowledge of AWS architecture who want to delve deeper into the analytics – cloud field.

Good luck to you all!

Publicado el

AWS Data Analytics Specialty, ¿merece la pena?

El 13 de Abril comenzó de forma oficial el recorrido de la nueva certificación AWS Data Analytics Specialty – previa fase beta en Diciembre 2019 / Enero 2020. Coincidió en el tiempo con AWS Database Specialty Beta, lo que me obligó a elegir entre las dos. Finalmente, me decidí por Databases, ya que me había examinado recientemente de AWS Big Data Specialty,

La experiencia “examen Beta” es muy diferente a la “standard“: 85 preguntas y 4 horas de duración – es decir, 20 preguntas y una hora mas – lo que da lugar a una experiencia muy intensa. Recomiendo hacer algún descanso de 5 minutos – en los centros están permitidos – ya que a partir de la tercera hora el examen se hace muy pesado, y es difícil mantener la concentración.

La certificación es la nueva versión de AWS Big Data Specialty, examen que será retirado en Junio de 2020. No voy a entrar en mucha profundidad en las diferencias, basta decir que se ha eliminado el dominio de Machine Learning, expandiendo y actualizando el resto de dominios en profundidad. Pero atención, Machine Learning e IoT siguen apareciendo integrados en el resto de dominios, por lo tanto, es necesario conocerlos a nivel arquitectural, como mínimo.

Pre-requisitos y recomendaciones

No voy a repetir la información que ya está disponible en la web de AWS; en cambio, voy a dar mis recomendaciones y observaciones personales, ya que considero que el Learning Path que sugiere AWS es algo ligero para el nivel actual del examen.

  • Experiencia AWS a nivel arquitectural. El examen está enfocado en gran parte a la solución de arquitectura avanzada – 5 pilares – y en menor medida al desarrollo, que tiene presencia sobre en todo en servicios como Kinesis y Glue. Recomiendo estar en posesión de la certificación AWS Architect Solutions Pro, y en su defecto la AWS Architect Associate + AWS Security Specialty.
  • Experiencia AWS a nivel de seguridad. Es un dominio completo del examen, pero se encuentra presente de forma transversal en muchas preguntas. Si se está en posesión de la AWS Architect Solutions Pro los conocimientos generales de seguridad pueden ser suficientes – no los específicos de la certificación para cada servicio. En caso contrario, la AWS Security Specialty es una buena opción, o conocimientos equivalentes en ciertos servicios que indicaré en siguientes puntos.
  • Conocimientos de Analytics. En caso contrario, recomiendo estudiar libros como “Data Analytics with Hadoop” , O’Reilly 2016, o tomar los cursos que se indican en el Learning Path de AWS. Así mismo, realizar laboratorios o proyectos pet para obtener cierta experiencia práctica.
  • Conocimientos del ecosistema Hadoop – Spark, conectado con el punto anterior. Son necesarios conocimientos de alto nivel y arquitectural del ecosistema: Hive, Presto, Pig, …
  • Conocimientos de Machine Learning e IoT en el ecosistema AWS. Sagemaker y servicios core IoT a nivel arquitectural.

Imagen aws.amazon.com

Examen

Las preguntas siguen el estilo de otras certificaciones cómo AWS Pro Architect, Security o Databases Specialty. Son todas “scenario based”, largas y complejas – la mayoría de ellas. No vais a encontrar preguntas “directas” o muy sencillas. Ciertamente, aparecieron entre un 5% y 10% de preguntas “asequibles”, pero todas en formato “escenario”.

Veamos un ejemplo tomado de las preguntas de ejemplo de AWS:

Imagen amazon.aws.com

Esta pregunta la clasifico como dificultad “intermedia”. Si os habéis examinado del Architect PRO, o de alguna especialidad como Security o Big Data, sabréis de lo que hablo. Ciertamente, el nivel de las preguntas es mucho más alto y profundo que en la versión anterior del examen.

Recomiendo realizar directamente la nueva especialidad, ya que la antigua contiene preguntas sobre servicios ya deprecados – o información desactualizada.

Servicios a conocer de forma profunda – inside out

AWS Kinesis – en sus tres modalidades, Data Streams, Firehose y Analytics. Arquitectura, dimensionamiento, configuración, integración con otros servicios, seguridad, troubleshooting, métricas, optimización y desarrollo – parte integral del examen. Preguntas de diverso nivel, algunas complejas y de gran profundidad.

AWS Glue – de forma profunda para ETL y discovery, parte integral del examen. Preguntas de diverso nivel – no me parecieron las más difíciles.

AWS Redshift – arquitectura, diseño, dimensionamiento, integración, seguridad, ETL, backups… gran número de preguntas, tantas que sorprende – y algunas muy complejas.

AWS EMR / Spark – arquitectura, dimensionamiento, configuración, performance, integración con otros servicios, seguridad, integración con el ecosistema Hadoop – muy importante, pero no tanto como los tres servicios anteriores. Preguntas muy complejas que requieren conocimientos avanzados y transversales a todos los dominios y al ecosistema Hadoop: Hive, HBase, Presto, Scoop, Pig …

Seguridad: encriptación KMS, AWS Cloud HMS, Federación, Active Directory, IAM, Policies, Roles etc … en general y para cada servicio en particular. Preguntas transversales a otros dominios y de dificultad elevada.

Servicios muy importantes a tener en cuenta

  • AWS S3 – servicio core base (almacenamiento, seguridad, reglas) y nuevas funcionalidades como AWS S3 Select. Aparece de forma consistente en todas las certificaciones, por lo que doy por supuesto que se conoce en profundidad, excepto las nuevas características.
  • AWS Athena – arquitectura, configuración, integración, performance, casos de uso. Aparece de forma consistente y como alternativa a otros servicios.
  • AWS Managed Kafka – alternativa a Kinesis, arquitectura, configuración, dimensionamiento, performance, integración, casos de uso.
  • AWS Quicksight – formatos de subscripción, características del servicio, diferentes formas de visualización, casos de uso. Alternativa a otros servicios.
  • AWS Elastic Search y Kibana (ELK) – arquitectura, configuración, dimensionamiento, performance, integración, casos de uso. Alternativa a otros servicios.
  • AWS Lambda – arquitectura, integración, casos de uso.
  • AWS StepFunctions – arquitectura, integración, casos de uso.
  • AWS DMS – conocimientos arquitectura, integración, casos de uso.
  • AWS DataPipeline – conocimientos arquitectura, integración, casos de uso.

Otros servicios

  • AWS Networking – arquitecturas y conocimientos básicos de red: VPC, security groups, Direct Connect, VPN, Regiones, Zonas … configuración de red de cada servicio en particular.
  • AWS DynamoDB, Elastic Cache – conocimientos arquitectura, integración, casos de uso. Estos servicios que aparecían de forma muy prominente en la anterior versión del examen, tienen mucho menos peso en la actual.
  • AWS CloudWatch, Events, Log – conocimientos arquitectura, configuración, integración, casos de uso.
  • AWS RDS y Aurora – conocimientos arquitectura, integración, casos de uso.
  • EC2, Autoscaling – conocimientos arquitectura, integración, casos de uso.
  • SQS, SNS – conocimientos arquitectura, integración, casos de uso.
  • AWS Cloudformation – conocimientos alto nivel del servicio, casos de uso, DevOps.
  • Sagemaker y AWS IoT core – conocimientos arquitectura, integración, casos de uso.

Recursos esenciales

  • AWS Certification Website.
  • Preguntas de ejemplo
  • Curso de preparación – imprescindible, contiene gran cantidad de información y recursos – incluye test de 20 preguntas
  • AWS Whitepapers – “Big Data Analytics Options” en AWS.
  • AWS FAQS para cada servicio – especialmente para Kinesis, Glue, Redshift, EMR.
  • AWS Big Data Blog
  • Examen de práctica – imprescindible y de nivel representativo del examen

¿Merece la pena?

Veamos 🙂

AWS Data Analytics Specialty es una certificación compleja y difícil; cara (300 euros), que requiere una inversión de tiempo muy importante – aun teniendo experiencia en analytics y AWS. Por lo tanto, no es una decisión que se pueda tomar a la ligera.

En mi caso personal, me pareció muy conveniente realizarla al haber estado trabajando en varios proyectos de tipo analytics – fast data, IoT – bajo AWS en los últimos tiempos – aparte de ser la única certificación que me faltaba para completar el full set de trece – si se incluye Big Data – certificaciones.

Las certificaciones son un buen modo, no solo de validar los conocimientos de forma externa, sino de recopilar información actualizada, validar buenas prácticas y consolidar conocimientos con casos prácticos reales (o casi).

Para los interesados en el campo analytics o que tienen experiencia profesional en el mismo, y que quieran dar el salto al cloud, mi recomendación es obtener primero una certificación AWS de tipo Arquitecto – preferiblemente la PRO – y optativamente la especialidad de Seguridad o conocimientos equivalentes, al menos en los servicios que he mencionado en puntos anteriores.

Para aquellos que tengan ya certificaciones AWS, pero no experiencia profesional en el campo específico, puede ser una buena forma para empezar, pero no va a ser un camino fácil o corto. Recomiendo la realización de laboratorios o proyectos pet, para así obtener cierta experiencia necesaria para superar el examen.

¿Merece la pena? desde luego, pero no como una primera certificación. Especialmente dirigida para gente con conocimientos avanzados de arquitectura AWS que quieran profundizar en el campo analytics – cloud.

¡Buena suerte a todos!