Ein Unternehmen liest Daten aus mehreren Amazon RDS-Kundendatenbanken, in denen Feldnamen und -formate inkonsistent sind (z. B. place_id in einer Datenbank und location_id in einer anderen). Das Unternehmen muss Kundenstammsätze über Datenbanken hinweg verknüpfen, auch wenn sich die Feldnamen unterscheiden. Welche Lösung bietet diese Funktion mit dem geringsten Betriebsaufwand?

Die korrekte Option ist die effizienteste Lösung, da AWS Glue Crawler automatisch Metadaten aus den RDS-Datenbanken extrahieren und in einem zentralen Data Catalog speichern kann, was die inkonsistenten Schemata handhabt. Die AWS Glue FindMatches-Transformation ist speziell für die Identifizierung und Verknüpfung von Datensätzen konzipiert, die sich auf dieselbe reale Entität beziehen, auch wenn Feldnamen und -formate variieren. Dies erfordert den geringsten Betriebsaufwand, da AWS Glue ein serverloser Dienst ist, der sich um die Infrastruktur kümmert. Die anderen Optionen sind weniger optimal: Amazon EMR erfordert die Bereitstellung und Verwaltung von Clustern, was einen höheren Betriebsaufwand bedeutet. Obwohl EMR leistungsfähig ist, ist es für diese spezifische Aufgabe, bei der AWS Glue eine dedizierte Funktion bietet, überdimensioniert und komplexer. Die Verwendung von Amazon SageMaker für Apache Spark ML-Pipelines oder Apache Spark ML-Modellen auf EMR würde die Entwicklung und Wartung benutzerdefinierter ML-Modelle erfordern, was im Vergleich zur vorgefertigten FindMatches-Transformation in AWS Glue einen erheblich höheren Aufwand darstellt.