Un ingénieur de données doit charger un jeu de données dans un lac de données Amazon S3 à l'aide des services AWS. Après avoir profilé les données, l'ingénieur découvre des informations personnellement identifiables (PII). L'ingénieur doit à la fois profiler le jeu de données et masquer les PII. Quelle approche satisfera cette exigence avec le MOINS d'effort opérationnel ?

L'option correcte utilise AWS Glue Studio avec la transformation "Detect PII" qui permet d'identifier et de masquer les PII de manière native et avec un effort opérationnel minimal. AWS Step Functions est un excellent choix pour orchestrer le pipeline de données vers S3. L'option incorrecte avec Kinesis Data Firehose et Lambda nécessite un développement personnalisé du SDK AWS pour le masquage, ce qui augmente l'effort opérationnel. L'option avec AWS Glue Data Quality est incorrecte car AWS Glue Data Quality est destiné à la validation et à la surveillance de la qualité des données, et non au masquage direct des PII. L'option avec DynamoDB est inefficace car elle introduit une étape de stockage intermédiaire inutile et une logique Lambda complexe pour le masquage et la transformation, ce qui n'est pas l'approche la plus simple pour un lac de données S3.