한 회사에서 S3 데이터 레이크의 데이터에 대해 ML 분석을 실행하려고 합니다. 이 회사에는 두 가지 변환 요구 사항이 있습니다. (1) 정해진 시간에 도착하는 300GB의 다양한 형식 데이터에 대해 예약된 일일 변환을 수행하고, (2) 레이크에 있는 테라바이트 규모의 보관된 데이터에 대해 일회성 변환을 실행하는 것입니다. Amazon MWAA DAG는 워크플로우를 오케스트레이션합니다. 이러한 요구 사항을 가장 비용 효율적으로 충족하기 위해 DAG가 예약해야 하는 두 가지 작업은 무엇입니까? (두 가지 선택)

매일 수신되는 데이터의 경우, AWS Glue 크롤러는 다양한 형식의 데이터에서 스키마를 자동으로 검색하고 식별하여 AWS Glue Data Catalog에 저장하는 데 가장 적합하고 비용 효율적인 방법입니다. Athena는 쿼리 엔진이며 스키마를 스캔하고 식별하는 데 사용되지 않습니다. Redshift는 데이터 웨어하우스이며 변환을 위해 사용될 수 있지만, 이 시나리오에서는 Glue 크롤러가 스키마 식별에 더 적합합니다. 매일 수신되는 데이터와 테라바이트 규모의 보관된 데이터 모두에 대해 Amazon EMR은 대규모 데이터 변환을 위한 유연하고 확장 가능한 솔루션을 제공합니다. Spark, Hive, Presto와 같은 다양한 빅 데이터 프레임워크를 지원하여 복잡한 변환 요구 사항을 효율적으로 처리할 수 있습니다. SageMaker는 주로 기계 학습 모델 학습 및 배포에 사용되며, 대규모 데이터 변환에는 EMR이 더 적합합니다.