Un référentiel de jeux de données sur S3 contient des informations personnelles identifiables (PII) qui doivent être masquées avant l'entraînement du modèle. Quelle option minimise l'effort de développement pour supprimer les PII des données ?

AWS Glue DataBrew est un service de préparation de données visuel qui permet de nettoyer et de normaliser les données sans écrire de code. Il offre des transformations intégrées pour détecter et masquer les informations personnelles identifiables (PII), ce qui minimise l'effort de développement. Amazon SageMaker Data Wrangler est également un excellent outil de préparation de données, mais il nécessiterait l'écriture d'une transformation personnalisée pour la détection et le masquage des PII, ce qui est plus complexe que les fonctionnalités préexistantes de DataBrew. Une fonction AWS Lambda personnalisée ou un point de terminaison de développement AWS Glue avec du code personnalisé impliquent tous deux un effort de développement considérable pour écrire, tester et maintenir le code de détection et de masquage des PII, ce qui va à l'encontre de l'objectif de minimisation de l'effort.