Una banca dispone di 10 anni di dati dei clienti in file CSV on-premises. Il team di data science vuole eseguire rapidamente trasformazioni ed esplorare i dati prima di costruire un modello di produzione in SageMaker, con il minimo sforzo di sviluppo. Quale approccio minimizza lo sforzo e consente una rapida trasformazione e l'ottenimento di insight?

L'opzione corretta minimizza lo sforzo perché SageMaker Data Wrangler è progettato per la preparazione e l'esplorazione rapida dei dati. Caricare i file CSV in un bucket Amazon S3 è il primo passo standard per rendere i dati accessibili ai servizi AWS. Concedere l'accesso a SageMaker è necessario per consentire a Data Wrangler di leggere i dati da S3. Successivamente, Data Wrangler consente di importare i dati direttamente per eseguire trasformazioni ed esplorazioni visive senza scrivere codice complesso, soddisfacendo il requisito di "minimo sforzo di sviluppo" e "rapida trasformazione e ottenimento di insight". Le opzioni errate presentano inefficienze o passaggi non necessari. Caricare i file direttamente nella console di Data Wrangler non è un'opzione disponibile per file CSV on-premises. L'opzione che include QuickSight aggiunge un servizio extra non strettamente necessario per l'esplorazione iniziale dei dati in Data Wrangler, aumentando la complessità. L'opzione che usa un notebook di SageMaker Studio per gli insight, dopo aver già trasformato i dati in Data Wrangler, introduce un passaggio aggiuntivo e potenzialmente più dispendioso in termini di tempo rispetto all'esplorazione diretta offerta da Data Wrangler stesso.