Une banque dispose de 10 ans de données clients dans des fichiers CSV sur site. L'équipe de science des données souhaite effectuer rapidement des transformations et explorer les données avant de construire un modèle de production dans SageMaker, avec un effort de développement minimal. Quelle approche minimise l'effort et permet une transformation et une analyse rapides ?

L'option correcte est la plus efficace car SageMaker Data Wrangler est conçu pour l'ingestion, la transformation et l'exploration de données à grande échelle, et il s'intègre nativement avec Amazon S3. Le téléchargement initial des fichiers CSV vers S3 est une étape standard et nécessaire pour la plupart des services AWS. Accorder l'accès à SageMaker depuis S3 permet à Data Wrangler de lire les données directement. Cette approche minimise l'effort de développement en utilisant un outil visuel et géré pour la préparation des données, ce qui est idéal pour une exploration rapide avant la modélisation. Les autres options sont moins optimales car : Télécharger directement dans la console SageMaker Data Wrangler n'est pas une fonctionnalité standard pour les fichiers CSV locaux ; S3 est l'emplacement de stockage intermédiaire attendu. L'option incluant QuickSight ajoute une étape d'analyse et un outil supplémentaire qui n'est pas explicitement demandé pour la transformation et l'exploration initiale dans Data Wrangler. L'option utilisant un bloc-notes SageMaker Studio pour l'analyse après Data Wrangler est possible, mais Data Wrangler lui-même offre des capacités d'exploration visuelle, rendant l'étape du bloc-notes moins "minimale" pour l'exploration initiale.