Uma empresa tem 10 TB de dados em um cluster Amazon Redshift. A equipe de engenharia de dados usa o SageMaker Studio para análise e desenvolvimento de modelos, mas apenas um subconjunto dos dados do Redshift é necessário para o treinamento. Eles precisam de uma maneira segura e econômica de exportar o subconjunto relevante para o Amazon S3 para o desenvolvimento de modelos. Quais soluções satisfazem esses requisitos? (Escolha duas.)

A opção de armazenar credenciais no AWS Secrets Manager e usar um adaptador Python em um notebook SageMaker Studio é correta porque permite acesso seguro e programático ao Redshift para consultar e exportar apenas os dados necessários para o S3, sendo eficiente e econômico. O SageMaker Data Wrangler é também uma solução correta e eficiente, pois oferece uma interface visual para consultar, preparar e exportar dados diretamente do Redshift para o S3, simplificando o processo de engenharia de dados. As outras opções são menos ideais. Um trabalho distribuído do SageMaker Processing com Spark pode ser excessivo para apenas exportar um subconjunto, e iniciar várias instâncias de notebook PySpark ou uma instância extragrande para baixar 10 TB de dados para o cluster do notebook é ineficiente e caro, pois os dados seriam processados e armazenados temporariamente no ambiente do notebook, o que não é escalável nem econômico para grandes volumes.