Um hospital está digitalizando um grande arquivo de registros históricos escritos e continuará a adicionar centenas de documentos por dia. A equipe de dados digitalizará documentos e os carregará para a AWS. Um arquiteto de soluções deve analisar os documentos, extrair informações médicas e armazenar os resultados para que um aplicativo possa executar consultas SQL nos dados. A solução deve maximizar a escalabilidade e minimizar o esforço operacional. Quais duas etapas o arquiteto de soluções deve seguir? (Escolha duas.)

A opção correta é usar uma função AWS Lambda para processar novos documentos. O Amazon Textract é ideal para converter documentos digitalizados em texto bruto, e o Amazon Comprehend Medical é especializado em extrair informações médicas relevantes desse texto, atendendo aos requisitos de análise. Armazenar as informações extraídas em um bucket S3 e usar o Amazon Athena para consultar esses dados é uma solução escalável e de baixo esforço operacional, pois o Athena permite consultas SQL diretamente em dados no S3 sem a necessidade de gerenciar servidores de banco de dados. Gravar em uma instância EC2 com MySQL não é escalável nem minimiza o esforço operacional. Criar um grupo de Auto Scaling de instâncias EC2 para processamento é mais complexo e caro do que usar serviços sem servidor como Lambda. Usar o Amazon Rekognition para converter documentos em texto bruto e o Amazon Transcribe Medical é incorreto porque o Rekognition é para análise de imagens e vídeo, não para extração de texto de documentos, e o Transcribe Medical é para fala, não texto.