Ein Unternehmen möchte ML-Analysen für Daten in einem S3 Data Lake durchführen. Es gibt zwei Transformationsanforderungen: (1) tägliche geplante Transformationen von 300 GB Daten in verschiedenen Formaten, die zu einem festgelegten Zeitpunkt eintreffen, und (2) eine einmalige Transformation von Terabytes archivierter Daten im Lake. Amazon MWAA DAGs orchestrieren die Workflows. Welche zwei Aufgaben sollten die DAGs am kostengünstigsten planen, um diese Anforderungen zu erfüllen? (Wählen Sie zwei.)

AWS Glue Crawler ist die kostengünstigste Lösung, um Schemata von täglich eingehenden Daten in verschiedenen Formaten in einem S3 Data Lake automatisch zu erkennen und in einem zentralen Metadatenkatalog (AWS Glue Data Catalog) zu speichern. Dies ist entscheidend für die spätere Abfrage und Transformation. Amazon EMR ist eine leistungsstarke und flexible Lösung für die Verarbeitung großer Datenmengen (Terabytes) und komplexer Transformationen. Es kann sowohl für die täglichen geplanten Transformationen als auch für die einmalige Verarbeitung archivierter Daten kosteneffizient eingesetzt werden, da es Cluster bedarfsgerecht skaliert. Amazon Athena ist ein Abfragedienst, aber kein Schema-Crawler. Amazon Redshift ist ein Data Warehouse und nicht primär für Transformationen in einem Data Lake gedacht. Amazon SageMaker ist für Machine Learning und nicht für allgemeine Datentransformationen optimiert.