Un ingegnere dei dati sta costruendo una pipeline ETL oraria con AWS Glue che legge da Amazon RDS e MongoDB, trasforma i dati e li carica in Amazon Redshift. Quale combinazione di azioni consentirà di raggiungere questo obiettivo con il MINOR overhead operativo? (Scegliere due.)

Configurare i trigger di AWS Glue per eseguire i job ETL ogni ora è corretto perché i trigger di Glue sono il meccanismo nativo e a basso overhead per pianificare l'esecuzione dei job Glue. Utilizzare le connessioni AWS Glue per stabilire la connettività è corretto perché le connessioni Glue sono il modo standard e gestito per Glue di connettersi a origini dati relazionali (come RDS) e NoSQL (come MongoDB), riducendo l'overhead di configurazione manuale. Utilizzare AWS Glue DataBrew per pulire i dati è un'opzione valida per la pulizia, ma non risponde direttamente all'esigenza di pianificazione o connettività e potrebbe aggiungere complessità non necessaria se le trasformazioni possono essere gestite direttamente in Glue Studio o con script Glue. Utilizzare le funzioni AWS Lambda per pianificare i job ETL è possibile, ma introduce un overhead operativo maggiore rispetto ai trigger nativi di Glue. Utilizzare la Redshift Data API per caricare i dati è un'opzione, ma i job Glue ETL possono caricare direttamente in Redshift in modo più efficiente e con meno configurazione manuale, specialmente per carichi orari.