Ein Unternehmen verfügt über einen Amazon S3 Data Lake. Das Unternehmen muss die Daten täglich transformieren und in ein Data Warehouse laden, das über Massively Parallel Processing (MPP) verfügt. Datenanalysten müssen mithilfe von SQL Machine-Learning-Modelle für die Daten erstellen und trainieren. Verwenden Sie nach Möglichkeit serverlose AWS-Services. Welche Lösung erfüllt diese Anforderungen?

Die korrekte Lösung verwendet AWS Glue für die tägliche Transformation und das Laden der Daten, da es ein serverloser ETL-Dienst ist, der gut mit S3-Datenseen funktioniert. Amazon Redshift Serverless ist eine MPP-Data-Warehouse-Lösung, die die Anforderungen an ein Data Warehouse erfüllt und serverlos ist. Redshift ML ermöglicht Datenanalysten das Erstellen und Trainieren von ML-Modellen direkt mit SQL. Die Option mit Amazon EMR ist weniger serverlos, da EMR-Cluster verwaltet werden müssen. Amazon Aurora Serverless ist ein relationales Datenbankmanagementsystem (RDBMS), das nicht für MPP-Data-Warehousing optimiert ist. Amazon Athena ist zwar serverlos und gut für Ad-hoc-Abfragen auf S3-Daten geeignet, aber es ist kein MPP-Data-Warehouse und bietet keine direkte ML-Modellerstellung wie Redshift ML.