Een bank heeft 10 jaar aan klantgegevens in CSV-bestanden on-premises. Het data science-team wil snel transformaties uitvoeren en de gegevens verkennen voordat een productiemodel in SageMaker wordt gebouwd, met minimale ontwikkelingsinspanning. Welke aanpak minimaliseert de inspanning en maakt snelle transformatie en inzichten mogelijk?

De correcte aanpak is om de CSV-bestanden eerst naar een Amazon S3-bucket te uploaden, SageMaker toegang te verlenen en de gegevens vervolgens in SageMaker Data Wrangler te importeren voor transformatie en verkenning. Dit minimaliseert de ontwikkelingsinspanning omdat Data Wrangler een visuele interface biedt voor snelle data-transformatie en -analyse zonder code. De eerste optie is onjuist omdat Data Wrangler geen directe upload van lokale bestanden ondersteunt; gegevens moeten toegankelijk zijn via een S3-bucket of een andere ondersteunde databron. De derde optie voegt QuickSight toe, wat extra complexiteit en inspanning met zich meebrengt voor de initiële verkenning, terwijl Data Wrangler zelf al visualisaties biedt. De vierde optie is ook te complex; het opslaan in een tweede S3-bucket en het gebruik van een SageMaker Studio notebook voor inzichten is overbodig voor de initiële snelle verkenning, aangezien Data Wrangler deze functionaliteit al integreert.