Eine Bank verfügt über Kundendaten aus 10 Jahren in CSV-Dateien On-Premises. Das Data-Science-Team möchte schnell Transformationen durchführen und die Daten untersuchen, bevor es ein Produktionsmodell in SageMaker erstellt, und das mit minimalem Entwicklungsaufwand. Welcher Ansatz minimiert den Aufwand und ermöglicht schnelle Transformationen und Erkenntnisse?

Die korrekte Option ist die effizienteste Methode. SageMaker Data Wrangler ist für die Verarbeitung von Daten aus Amazon S3 konzipiert und bietet eine intuitive Benutzeroberfläche für schnelle Transformationen und Explorationen ohne umfangreichen Entwicklungsaufwand. Das direkte Hochladen in die Data Wrangler-Konsole ist keine Standardfunktion und würde bei großen Datensätzen ineffizient sein. Die Einbeziehung von QuickSight oder einem zweiten S3-Bucket für transformierte Daten ist für die reine Datenexploration und schnelle Transformationen unnötig komplex und erhöht den Aufwand. Die Verwendung eines SageMaker Studio-Notebooks für Erkenntnisse ist zwar möglich, aber Data Wrangler selbst bietet bereits Visualisierungen und Analysetools, die für schnelle Einblicke ausreichen und den Entwicklungsaufwand minimieren.