Una empresa recopila datos de muchas fuentes en un bucket de S3, ejecuta un trabajo ETL de AWS Glue para transformarlos y almacena la salida transformada en un data lake basado en S3 consultado por Amazon Athena. La empresa necesita identificar registros coincidentes incluso cuando no hay un identificador único compartido. ¿Qué solución logrará esto?

La transformación AWS Lake Formation FindMatches es la solución correcta porque está diseñada específicamente para identificar registros coincidentes en conjuntos de datos, incluso cuando no existe un identificador único compartido. Utiliza técnicas de aprendizaje automático para reconocer patrones y similitudes entre registros. Las otras opciones son incorrectas: Amazon Macie se enfoca en el descubrimiento y protección de datos sensibles, no en la identificación de registros coincidentes para la deduplicación o vinculación. La clase AWS Glue PySpark Filter se usa para filtrar registros basados en condiciones específicas, no para encontrar coincidencias difusas sin un identificador único. Particionar tablas y usar un identificador único no resuelve el problema de encontrar registros coincidentes cuando no hay un identificador único compartido, que es el requisito clave del problema.