S3 上的数据集存储库包含个人身份信息 (PII)，这些信息在模型训练之前必须进行修订。哪个选项能最大限度地减少从数据中删除 PII 的开发工作？

AWS Glue DataBrew 提供了内置的 PII 检测和修订功能，例如使用模式匹配、命名实体识别 (NER) 或自定义规则来识别和屏蔽敏感数据。这最大限度地减少了开发工作，因为它是一个托管服务，无需编写大量自定义代码。 Amazon SageMaker Data Wrangler 也可以用于数据准备，但其 PII 检测和修订功能通常需要更多的自定义配置和编码，不如 DataBrew 的内置功能直接。创建自定义 AWS Lambda 函数虽然可行，但需要从头开始编写所有 PII 检测和修订逻辑，开发工作量最大。使用 AWS Glue 开发端点并在笔记本中运行自定义代码也需要编写和管理所有 PII 处理逻辑，增加了复杂性和开发时间。