Una empresa almacena conjuntos de datos JSON y CSV en S3 y también tiene Amazon RDS para SQL Server, tablas DynamoDB con capacidad aprovisionada y un clúster de Amazon Redshift. Los científicos de datos necesitan consultar todas estas fuentes utilizando una sintaxis similar a SQL con una sobrecarga operativa mínima. ¿Qué solución cumple con este requisito?

La opción correcta permite consultar todas las fuentes de datos con una sintaxis similar a SQL y mínima sobrecarga operativa. AWS Glue Data Catalog centraliza los metadatos de S3, RDS, DynamoDB y Redshift. Amazon Athena puede consultar datos en S3 (JSON, CSV) y el Data Catalog utilizando SQL estándar. Para DynamoDB, Athena puede consultar tablas a través de conectores federados o el Data Catalog, y PartiQL es ideal para consultar datos JSON anidados directamente en DynamoDB o S3, proporcionando una sintaxis similar a SQL. Las otras opciones son incorrectas porque: La segunda opción sugiere Redshift Spectrum, que es excelente para S3 y Redshift, pero no es la mejor solución para DynamoDB y RDS en un contexto de "sobrecarga operativa mínima" para todas las fuentes. La tercera opción implica una transformación de datos a Parquet o CSV con trabajos de AWS Glue, lo que añade sobrecarga operativa y no cumple con el requisito de consultar los datos "tal cual" con SQL. La cuarta opción, aunque Lake Formation es una buena herramienta para data lakes, la transformación de todos los datos a Parquet añade una sobrecarga operativa innecesaria y no permite consultar los datos originales directamente con SQL.