Um engenheiro de ML precisa extrair, transformar e carregar dados do Amazon S3 para análise, descobrir o esquema dos dados e armazenar metadados com o mínimo de esforço manual. Qual opção realiza isso?

A opção correta é usar o AWS Glue porque ele é um serviço de ETL (Extract, Transform, Load) totalmente gerenciado que inclui um crawler para descobrir automaticamente o esquema dos dados e armazenar os metadados no AWS Glue Data Catalog. Isso minimiza o esforço manual. As outras opções são incorretas: O Amazon SageMaker Data Wrangler é mais focado na preparação de dados para ML e não armazena metadados no S3 de forma estruturada para descoberta de esquema como o Glue Data Catalog. O Amazon Athena é um serviço de consulta interativa e não um serviço de ETL para descoberta de esquema e armazenamento de metadados. O AWS Step Functions pode orquestrar, mas não realiza a descoberta de esquema e o armazenamento de metadados de forma nativa para ETL. Iniciar uma instância do Amazon EC2 com scikit-learn exigiria muito esforço manual para configurar, manter e escalar o ambiente de ETL, além de não ter um mecanismo nativo para descoberta de esquema e armazenamento de metadados como o Glue Data Catalog.