Ein Krankenhaus digitalisiert ein großes Archiv historischer schriftlicher Aufzeichnungen und wird weiterhin Hunderte von Dokumenten pro Tag hinzufügen. Das Datenteam scannt Dokumente und lädt sie in AWS hoch. Ein Solutions Architect muss die Dokumente analysieren, medizinische Informationen extrahieren und die Ergebnisse speichern, damit eine Anwendung SQL-Abfragen für die Daten ausführen kann. Die Lösung sollte die Skalierbarkeit maximieren und den Betriebsaufwand minimieren. Welche zwei Schritte sollte der Solutions Architect unternehmen? (Wählen Sie zwei.)

Die korrekten Optionen bieten eine skalierbare und wartungsarme Lösung. Das Hochladen der Dokumente in einen Amazon S3-Bucket ist kostengünstig und bietet hohe Verfügbarkeit und Skalierbarkeit für die Speicherung unstrukturierter Daten. Amazon Athena ermöglicht SQL-Abfragen direkt auf Daten in S3, was den Betriebsaufwand minimiert, da keine Server verwaltet werden müssen. Eine AWS Lambda-Funktion, die durch neue Dokumente in S3 ausgelöst wird, ist serverlos und hoch skalierbar. Amazon Textract ist ideal, um Text und Daten aus gescannten Dokumenten zu extrahieren, während Amazon Comprehend Medical speziell für die Erkennung und Extraktion medizinischer Informationen aus Text entwickelt wurde. Das Ausführen einer MySQL-Datenbank auf einer EC2-Instanz ist weniger skalierbar und erfordert mehr Betriebsaufwand. Eine Auto Scaling-Gruppe von EC2-Instanzen für die Verarbeitung ist ebenfalls mit höherem Betriebsaufwand verbunden als eine serverlose Lambda-Lösung. Amazon Rekognition ist primär für Bild- und Videoanalyse gedacht, nicht für die Textextraktion aus Dokumenten, und Amazon Transcribe Medical ist für die Spracherkennung, nicht für die Textanalyse gescannter Dokumente.