Un'azienda ha 10 TB di dati in un cluster Amazon Redshift. Il team di ingegneria dei dati utilizza SageMaker Studio per l'analisi e lo sviluppo di modelli, ma solo un sottoinsieme dei dati di Redshift è necessario per l'addestramento. Hanno bisogno di un modo sicuro ed economico per esportare il sottoinsieme rilevante su Amazon S3 per lo sviluppo di modelli. Quali soluzioni soddisfano questi requisiti? (Scegliere due.)

Le opzioni corrette sono la terza e la quinta. La terza opzione è valida perché l'utilizzo di un notebook SageMaker Studio con un adattatore di database Python per interrogare Redshift e salvare i risultati su S3 è un metodo comune, sicuro ed economico per gestire sottoinsiemi di dati. L'archiviazione delle credenziali in Secrets Manager garantisce la sicurezza. La quinta opzione è corretta perché SageMaker Data Wrangler è progettato specificamente per la preparazione dei dati, inclusa la connessione a Redshift, la visualizzazione e l'esportazione su S3, offrendo un approccio efficiente e gestito. Le altre opzioni sono meno ideali. La prima opzione, sebbene SageMaker Processing possa essere usato, l'uso di "diverse istanze di medie dimensioni" per 10 TB di dati potrebbe essere eccessivo e costoso se l'obiettivo è solo un sottoinsieme. La seconda opzione è inefficiente e costosa in quanto scaricare 10 TB di dati su un cluster di notebook è dispendioso in termini di risorse e tempo. La quarta opzione è impraticabile perché un'istanza notebook non è progettata per archiviare e processare 10 TB di dati localmente, e sarebbe estremamente costosa e lenta.