Een ML-engineer moet historische data rechtstreeks in SageMaker laden vanuit Amazon S3, Amazon Athena en Snowflake om modellen te bouwen. Welke tool moeten ze gebruiken om deze bronnen op te vragen en te importeren in SageMaker?

SageMaker Data Wrangler is de juiste keuze omdat het speciaal is ontworpen voor het voorbereiden en importeren van data uit diverse bronnen, waaronder Amazon S3, Amazon Athena en Snowflake, rechtstreeks in SageMaker voor modelbouw. Het biedt een visuele interface en ingebouwde transformaties om data snel en efficiënt te aggregeren en voor te bewerken. AWS Glue DataBrew is ook een data-voorbereidingstool, maar is minder geïntegreerd voor directe import in SageMaker voor dit specifieke scenario. SageMaker Pipelines is voor het orkestreren van ML-workflows, niet primair voor het importeren van ruwe data uit externe bronnen. AWS DataSync is voor het verplaatsen van grote hoeveelheden data tussen opslagservices, niet voor het opvragen en voorbereiden uit databases. SageMaker Feature Store is voor het opslaan en beheren van features, niet voor de initiële data-opname uit diverse bronnen.