Un hôpital numérise une grande archive de dossiers écrits historiques et continuera d'ajouter des centaines de documents par jour. L'équipe de données numérisera les documents et les téléchargera vers AWS. Un architecte de solutions doit analyser les documents, extraire les informations médicales et stocker les résultats afin qu'une application puisse exécuter des requêtes SQL sur les données. La solution doit maximiser l'évolutivité et minimiser l'effort opérationnel. Quelles sont les deux étapes que l'architecte de solutions doit suivre ? (Choisissez-en deux.)

Les deux étapes correctes maximisent l'évolutivité et minimisent l'effort opérationnel. La première étape correcte consiste à utiliser une fonction AWS Lambda déclenchée par les nouveaux documents. Lambda est un service sans serveur qui s'adapte automatiquement. Amazon Textract est idéal pour extraire du texte et des données structurées de documents numérisés, et Amazon Comprehend Medical est spécialisé dans l'extraction d'informations médicales. La deuxième étape correcte est de stocker les résultats dans Amazon S3, un stockage d'objets hautement durable et évolutif. Amazon Athena permet d'interroger directement les données dans S3 à l'aide de SQL sans avoir à charger les données dans une base de données, ce qui réduit l'effort opérationnel. L'option d'écrire les informations dans une instance EC2 avec MySQL n'est pas optimale pour l'évolutivité et l'effort opérationnel, car elle nécessite la gestion de l'instance et de la base de données. Créer un groupe Auto Scaling d'instances EC2 pour une application personnalisée augmente la complexité opérationnelle par rapport aux services gérés. Utiliser Amazon Rekognition pour convertir les documents en texte brut n'est pas la meilleure solution, car Rekognition est principalement conçu pour l'analyse d'images et de vidéos, pas pour l'extraction de texte à partir de documents, où Textract est plus approprié.