Una empresa recibe diariamente archivos CSV en S3 que contienen datos de interacción con clientes utilizados para reentrenar un modelo. Antes del reentrenamiento, los números de tarjetas de crédito en esos archivos deben ser enmascarados. ¿Qué solución logra esto con el menor esfuerzo de desarrollo?

La opción correcta es crear código Apache Spark en un trabajo de AWS Glue y usar la funcionalidad de Detección de Datos Sensibles de AWS Glue. AWS Glue DataBrew y AWS Glue Data Quality ofrecen capacidades nativas para identificar y enmascarar datos sensibles, como números de tarjetas de crédito, con un esfuerzo de desarrollo mínimo. Esta es una solución gestionada y escalable que se integra bien con el flujo de datos en S3. Crear un trabajo de descubrimiento en Amazon Macie es incorrecto porque Macie es principalmente una herramienta de descubrimiento y clasificación de datos, no una herramienta de transformación o enmascaramiento directo de datos en el archivo original. Aunque puede identificar los datos, no los enmascara en el archivo CSV. Crear código Apache Spark con regex es una solución viable, pero requiere más esfuerzo de desarrollo para escribir y mantener las expresiones regulares, que pueden ser complejas y propensas a errores para datos sensibles como tarjetas de crédito. La detección de datos sensibles de Glue es una solución más robusta y predefinida. Ejecutar código Spark en una instancia EC2 es incorrecto porque introduce la necesidad de gestionar la infraestructura (EC2, Spark) manualmente, lo que aumenta la sobrecarga operativa en comparación con un servicio gestionado como AWS Glue.