Um engenheiro de dados deve carregar um conjunto de dados em um data lake do Amazon S3 usando os serviços da AWS. Após a criação do perfil dos dados, o engenheiro descobre informações de identificação pessoal (PII). O engenheiro precisa tanto criar o perfil do conjunto de dados quanto ofuscar as PII. Qual abordagem satisfará esse requisito com o MENOR esforço operacional?

A opção correta é a que utiliza a transformação Detect PII no AWS Glue Studio. Esta transformação é projetada especificamente para identificar PII, minimizando o esforço operacional, pois é uma funcionalidade nativa do Glue. Após a detecção, a ofuscação pode ser aplicada e o AWS Step Functions é uma excelente ferramenta para orquestrar o pipeline de ingestão no S3, garantindo um fluxo de trabalho robusto e gerenciável. A primeira opção, usando Kinesis Data Firehose com uma função Lambda e SDK, exige mais esforço de desenvolvimento e manutenção para a lógica de detecção e ofuscação de PII. A terceira opção menciona AWS Glue Data Quality para ofuscar PII, mas o Data Quality é mais focado em validação e monitoramento, não em ofuscação direta. A quarta opção, usando DynamoDB como etapa intermediária, adiciona complexidade e custo desnecessários, além de exigir mais desenvolvimento Lambda para as transformações e ingestão final no S3.