Una empresa produce datos por lotes de varias bases de datos y datos de transmisiones en vivo de sensores de red y API de aplicaciones. La empresa necesita consolidar y procesar todos los datos entrantes, luego prepararlos en diferentes buckets de Amazon S3 para consultas únicas y luego importarlos a una herramienta de BI para los KPI. ¿Qué combinación de pasos cumplirá estos requisitos con la MENOR sobrecarga operativa? (Elija dos.)

La opción correcta es utilizar blueprints en AWS Lake Formation para identificar los datos que se van a ingerir en un data lake, y utilizar AWS Glue para rastrear las fuentes, extraer los datos y cargarlos en Amazon S3 en formato Apache Parquet. Esto permite la ingesta de datos por lotes y en streaming, consolidándolos en un data lake en S3 con un formato optimizado para consultas. La otra opción correcta es utilizar Amazon Athena para consultas únicas y Amazon QuickSight para crear paneles para los KPI. Athena permite consultas ad-hoc directamente sobre los datos en S3 sin necesidad de infraestructura, y QuickSight es una herramienta de BI sin servidor para visualizar los KPI. Ambas opciones minimizan la sobrecarga operativa al ser servicios gestionados y sin servidor. Las opciones incorrectas son: Kinesis Data Analytics no es ideal para consultas únicas sobre datos ya almacenados, sino para análisis en tiempo real de streams. Las funciones Lambda personalizadas para mover registros a Redshift aumentan la sobrecarga operativa y Redshift es un data warehouse, no el destino final para consultas únicas y luego BI. AWS Glue para convertir a JSON y cargar en OpenSearch Service no es el enfoque más eficiente para consultas únicas y BI, además de que OpenSearch no es el servicio principal para almacenar datos para consultas ad-hoc y BI en este escenario.