Un ingegnere ML utilizzerà Amazon SageMaker Canvas per addestrare un modello con dati a struttura complessa archiviati in Amazon S3. Quale formato di file ridurrà al minimo il tempo di pre-elaborazione per tali dati?

Apache Parquet è un formato di file colonnare ottimizzato per l'analisi, che offre compressione efficiente e codifica dei dati. Questo riduce significativamente la quantità di dati da leggere e pre-elaborare, specialmente con dati a struttura complessa, migliorando le prestazioni di SageMaker Canvas. I file CSV compressi con Snappy, gli oggetti JSON in formato JSONL e i file JSON compressi con gzip sono formati orientati alle righe o meno efficienti per l'analisi colonnare, richiedendo maggiore pre-elaborazione per estrarre e trasformare i dati rilevanti.