Une entreprise possède un lac de données Amazon S3. L'entreprise doit transformer les données quotidiennement et les charger dans un entrepôt de données doté d'un traitement massivement parallèle (MPP). Les analystes de données doivent créer et entraîner des modèles de machine learning à l'aide de SQL sur les données. Utilisez des services AWS sans serveur chaque fois que possible. Quelle solution répond à ces exigences ?

La bonne solution est d'exécuter une tâche AWS Glue quotidienne pour transformer les données et les charger dans Amazon Redshift Serverless, puis d'utiliser Amazon Redshift ML pour le machine learning. AWS Glue est un service ETL (Extract, Transform, Load) sans serveur, idéal pour la transformation quotidienne des données d'un lac de données S3. Amazon Redshift Serverless fournit un entrepôt de données MPP sans serveur, répondant aux exigences de performance et de gestion. Amazon Redshift ML permet aux analystes de données de créer et d'entraîner des modèles de ML directement avec SQL sur les données de Redshift. Les autres options sont moins appropriées : L'utilisation d'Amazon EMR implique la gestion de clusters, ce qui va à l'encontre du principe "sans serveur chaque fois que possible". Amazon Aurora Serverless est une base de données relationnelle, pas un entrepôt de données MPP optimisé pour l'analyse à grande échelle, et Amazon Aurora ML n'est pas la solution la plus adaptée pour le ML sur de grands ensembles de données d'entrepôt de données. Amazon Athena est un moteur de requête interactif pour S3, mais il n'est pas conçu comme un entrepôt de données MPP pour le chargement et l'analyse de données transformées, et Amazon Athena ML est plus limité en fonctionnalités que Redshift ML pour ce cas d'utilisation.