Un ingeniero de ML utilizará Amazon SageMaker Canvas para entrenar un modelo con datos de estructura compleja almacenados en Amazon S3. ¿Qué formato de archivo minimizará el tiempo de preprocesamiento para esos datos?

Apache Parquet es un formato de almacenamiento columnar optimizado para el análisis de datos. Su diseño permite una lectura y procesamiento más eficientes de grandes volúmenes de datos estructurados y semiestructurados, lo que minimiza el tiempo de preprocesamiento en SageMaker Canvas. Los archivos CSV comprimidos con Snappy, aunque eficientes en compresión, son formatos orientados a filas y no ofrecen las mismas ventajas de rendimiento para consultas analíticas. Los objetos JSON, ya sean en formato JSONL o comprimidos con gzip, son formatos orientados a documentos que requieren más esfuerzo de parsing y preprocesamiento para extraer y organizar los datos en una estructura tabular, lo que aumenta el tiempo de procesamiento.