Un banco tiene 10 años de datos de clientes en archivos CSV on-premises. El equipo de ciencia de datos quiere realizar rápidamente transformaciones y explorar los datos antes de construir un modelo de producción en SageMaker, con un esfuerzo de desarrollo mínimo. ¿Qué enfoque minimiza el esfuerzo y permite una transformación y obtención de insights rápidas?

La opción correcta minimiza el esfuerzo al aprovechar la integración de SageMaker Data Wrangler con Amazon S3. Data Wrangler está diseñado para la preparación y exploración de datos, y su capacidad para importar directamente desde S3 simplifica el flujo de trabajo. Cargar los archivos CSV a S3 es un paso necesario para que los servicios de AWS, como SageMaker, puedan acceder a ellos de forma segura y eficiente. Las opciones incorrectas presentan pasos adicionales o redundantes que aumentan el esfuerzo: Cargar directamente en la consola de Data Wrangler no es una funcionalidad estándar para archivos CSV on-premises; siempre se requiere un almacenamiento intermedio como S3. Involucrar a QuickSight o guardar en un segundo bucket de S3 para insights son pasos válidos para un flujo de trabajo más completo, pero no son el enfoque más rápido y de mínimo esfuerzo para la transformación y exploración inicial, que es el objetivo de la pregunta. Usar un notebook de SageMaker Studio para insights es una opción, pero Data Wrangler ya ofrece capacidades de exploración visual que pueden ser más rápidas para insights iniciales.