Uma empresa tem um data lake no Amazon S3. A empresa precisa transformar os dados diariamente e carregá-los em um data warehouse que tenha processamento massivamente paralelo (MPP). Os analistas de dados devem criar e treinar modelos de machine learning usando SQL nos dados. Use serviços AWS serverless sempre que possível. Qual solução atende a esses requisitos?

A opção correta utiliza AWS Glue para transformação de dados, que é um serviço serverless de ETL, atendendo ao requisito de processamento diário e serverless. O Amazon Redshift Serverless é um data warehouse MPP, ideal para carregar os dados transformados e suporta o Amazon Redshift ML, permitindo que analistas criem e treinem modelos de ML usando SQL, conforme solicitado. As outras opções são menos adequadas: Amazon EMR não é serverless (embora possa ser usado para ETL, não atende ao requisito serverless). Amazon Aurora Serverless é um banco de dados relacional, não um data warehouse MPP, e o Amazon Aurora ML não é o serviço mais adequado para ML em escala de data warehouse. Amazon Athena é um serviço de consulta interativa, não um data warehouse MPP para carregamento de dados transformados, e o "Amazon Athena ML" não é um serviço de ML dedicado para treinamento de modelos como o Redshift ML.