Una empresa tiene un data lake en Amazon S3. La empresa necesita transformar los datos diariamente y cargarlos en un data warehouse que tenga procesamiento masivamente paralelo (MPP). Los analistas de datos deben crear y entrenar modelos de machine learning utilizando SQL sobre los datos. Utilice servicios de AWS sin servidor siempre que sea posible. ¿Qué solución cumple estos requisitos?

La opción correcta utiliza AWS Glue para la transformación diaria de datos, que es un servicio sin servidor adecuado para ETL. Luego, carga los datos en Amazon Redshift Serverless, que proporciona un procesamiento masivamente paralelo (MPP) y es sin servidor, cumpliendo con el requisito de data warehouse. Finalmente, Amazon Redshift ML permite a los analistas crear y entrenar modelos de machine learning utilizando SQL directamente sobre los datos en Redshift. Las otras opciones son incorrectas porque: Usar Amazon EMR introduce un servicio no sin servidor para la transformación, lo cual va en contra de los requisitos. Amazon Aurora Serverless no es un data warehouse MPP y no está diseñado para cargas de trabajo analíticas a gran escala. Amazon Athena ML no existe como un servicio separado para crear y entrenar modelos de ML; Athena se usa principalmente para consultas ad-hoc sobre datos en S3.