一家公司希望对S3数据湖中的数据运行ML分析。他们有两种转换需求：(1) 对每天在固定时间到达的300 GB各种格式数据执行计划的日常转换，以及(2) 对数据湖中TB级的归档数据运行一次性转换。Amazon MWAA DAG将编排这些工作流。DAG应该调度哪两项任务来最经济高效地满足这些需求？（选择两项。）

AWS Glue爬网程序能够自动扫描S3数据湖中的各种格式数据，识别其模式并将其元数据存储在AWS Glue数据目录中。这对于每日固定时间到达的300 GB数据来说，是一种经济高效且自动化的解决方案，因为它无需手动定义模式，并能适应数据格式的变化。Amazon EMR是一个托管的Hadoop框架，非常适合处理TB级的数据转换任务，无论是每日数据还是归档数据。它提供了高度可扩展性和灵活性，可以运行各种大数据处理框架（如Spark、Hive等），从而经济高效地执行复杂的转换逻辑。 Amazon Athena虽然可以扫描S3数据，但其主要功能是交互式查询，而不是自动模式识别和元数据管理，因此不适合作为每日数据模式识别的首选。Amazon Redshift是一个数据仓库服务，主要用于结构化数据的分析查询，不适合作为数据湖中原始数据转换的工具。Amazon SageMaker是机器学习服务，主要用于模型训练和部署，而不是大规模数据转换。