Een bedrijf slaat JSON- en CSV-datasets op in S3 en heeft ook Amazon RDS voor SQL Server, provisioned-capacity DynamoDB-tabellen en een Amazon Redshift-cluster. Data scientists moeten al deze bronnen bevragen met SQL-achtige syntaxis en minimale operationele overhead. Welke oplossing voldoet aan deze vereiste?

De correcte optie voldoet aan alle vereisten: AWS Glue crawlt de diverse databronnen (S3 JSON/CSV, RDS, DynamoDB, Redshift) en slaat metadata op in de Glue Data Catalog. Amazon Athena kan vervolgens deze gecatalogiseerde data bevragen met SQL-achtige syntaxis. Athena ondersteunt SQL voor gestructureerde data en PartiQL voor semi-gestructureerde data zoals JSON, wat de flexibiliteit biedt om verschillende datatypes te bevragen zonder complexe transformaties. Dit minimaliseert operationele overhead omdat Athena serverloos is. De tweede optie is incorrect omdat Redshift Spectrum alleen externe data in S3 kan bevragen, niet direct RDS of DynamoDB. De derde optie introduceert onnodige transformatiestappen met Glue jobs, wat meer operationele overhead creëert dan direct bevragen met Athena. De vierde optie met Lake Formation en transformatie naar Parquet is een geldige data lake-strategie, maar het transformeren van alle data naar Parquet is niet strikt noodzakelijk om de bronnen te bevragen met SQL-achtige syntaxis en minimale overhead, vooral gezien de directe ondersteuning van Athena voor JSON en CSV.