Un ingegnere ML deve caricare dati storici direttamente in SageMaker da Amazon S3, Amazon Athena e Snowflake per costruire modelli. Quale strumento dovrebbe usare per interrogare e importare queste fonti in SageMaker?

SageMaker Data Wrangler è lo strumento più adatto per questo scenario. Permette agli ingegneri ML di connettersi a diverse fonti di dati, tra cui Amazon S3, Amazon Athena e Snowflake, per interrogare, preparare e importare i dati direttamente in SageMaker per la costruzione di modelli. Offre un'interfaccia visuale per la trasformazione dei dati, semplificando il processo. AWS Glue DataBrew è un servizio di preparazione dei dati, ma non è progettato per l'importazione diretta in SageMaker da tutte le fonti menzionate. SageMaker Pipelines è per l'orchestrazione del workflow ML, non per l'ingestione iniziale dei dati da fonti esterne, e AWS DataSync è per il trasferimento di grandi quantità di dati tra sistemi di storage, non per l'interrogazione e la preparazione dei dati. SageMaker Feature Store è per la gestione delle feature, non per l'ingestione iniziale da queste fonti diverse, e un connettore Apache Spark richiederebbe una configurazione più complessa rispetto a Data Wrangler per questo caso d'uso.