한 병원에서 방대한 양의 과거 기록을 디지털화하고 있으며, 매일 수백 건의 문서를 계속 추가할 예정입니다. 데이터 팀은 문서를 스캔하여 AWS에 업로드할 것입니다. 솔루션스 아키텍트는 문서를 분석하고, 의료 정보를 추출하며, 애플리케이션이 데이터에 대해 SQL 쿼리를 실행할 수 있도록 결과를 저장해야 합니다. 이 솔루션은 확장성을 극대화하고 운영 노력을 최소화해야 합니다. 솔루션스 아키텍트는 어떤 두 가지 단계를 수행해야 할까요? (두 가지 선택)

새 문서가 업로드될 때 실행되는 AWS Lambda 함수를 생성하고, Amazon Textract를 사용하여 문서를 원시 텍스트로 변환한 다음, Amazon Comprehend Medical을 사용하여 텍스트에서 관련 의료 정보를 감지하고 추출하는 것은 스캔된 문서에서 의료 정보를 추출하는 확장 가능하고 운영 노력이 적은 방법입니다. Lambda는 서버리스로 확장성이 뛰어나며, Textract는 문서에서 텍스트와 데이터를 추출하는 데 최적화되어 있고, Comprehend Medical은 의료 정보 감지에 특화되어 있습니다. 추출된 문서 정보를 Amazon S3 버킷에 기록하고 Amazon Athena를 사용하여 데이터를 쿼리하는 것은 확장성이 뛰어나고 서버리스 방식으로 SQL 쿼리를 실행할 수 있는 효율적인 솔루션입니다. S3는 저렴하고 확장 가능한 스토리지이며, Athena는 S3 데이터를 직접 쿼리할 수 있어 운영 오버헤드가 적습니다. Amazon EC2 인스턴스에 MySQL 데이터베이스를 실행하는 것은 관리 오버헤드가 크고 확장성이 제한적일 수 있습니다. 사용자 지정 애플리케이션을 실행하기 위해 EC2 Auto Scaling 그룹을 생성하는 것은 가능하지만, Textract 및 Comprehend Medical과 같은 관리형 서비스가 이미 필요한 기능을 제공하므로 운영 노력이 더 많이 필요합니다. Amazon Rekognition과 Amazon Transcribe Medical을 사용하는 것은 Rekognition이 이미지 분석에 더 적합하고 Transcribe Medical은 음성-텍스트 변환에 더 중점을 두므로 문서 텍스트 추출에는 최적의 선택이 아닙니다.