Une entreprise dispose de 10 To de données dans un cluster Amazon Redshift. L'équipe d'ingénierie des données utilise SageMaker Studio pour l'analyse et le développement de modèles, mais seule une partie des données Redshift est nécessaire pour l'entraînement. Ils ont besoin d'un moyen sécurisé et rentable d'exporter le sous-ensemble pertinent vers Amazon S3 pour le développement de modèles. Quelles solutions répondent à ces exigences ? (Choisissez-en deux.)

La première option correcte est d'utiliser un adaptateur de base de données Python dans un notebook SageMaker Studio. Cette approche est sécurisée en stockant les identifiants Redshift dans AWS Secrets Manager, et rentable car elle ne nécessite pas de ressources de calcul excessives pour le transfert de données. Elle permet de récupérer uniquement le sous-ensemble nécessaire. La deuxième option correcte est SageMaker Data Wrangler. Il offre une interface visuelle pour interroger, transformer et exporter des données de Redshift vers S3 de manière efficace et sécurisée, sans nécessiter de codage complexe. Les options incorrectes impliquent des approches coûteuses ou inefficaces. Exécuter un job SageMaker Processing distribué pour seulement une partie des données est excessif. Démarrer plusieurs instances de notebook avec PySpark pour télécharger toutes les données vers le cluster de notebooks est inefficace et coûteux. Lancer une instance de notebook extra-large avec 10 To de stockage pour télécharger toutes les données est également excessivement coûteux et peu pratique pour un sous-ensemble.