Ein ML-Ingenieur erstellt ein Betrugserkennungsmodell. Die Datenquellen umfassen Transaktionsprotokolle und Kundenprofile in S3 sowie Tabellen aus einer lokalen MySQL-Datenbank. Welcher AWS-Dienst oder welche Funktion kann diese verschiedenen Datenquellen zentral für die ML-Nutzung aggregieren?

AWS Lake Formation ist die korrekte Wahl, da es eine zentrale Lösung zur Erstellung, Sicherung und Verwaltung von Data Lakes bietet. Es kann Daten aus verschiedenen Quellen wie S3 und relationalen Datenbanken (wie MySQL) erfassen, katalogisieren und für ML-Workloads vorbereiten. Amazon EMR Spark-Jobs könnten zwar zur Aggregation verwendet werden, aber Lake Formation bietet die übergeordnete Verwaltung und Governance des Data Lakes. Amazon Kinesis Data Streams ist für das Streaming von Echtzeitdaten konzipiert und nicht primär für die Aggregation heterogener statischer Datenquellen. Amazon DynamoDB ist eine NoSQL-Datenbank und nicht ideal für die Aggregation und Analyse von Daten aus verschiedenen Quellen in einem Data Lake-Szenario.