Een ziekenhuis digitaliseert een groot archief met historische schriftelijke dossiers en zal dagelijks honderden documenten blijven toevoegen. Het datateam scant documenten en uploadt deze naar AWS. Een solutions architect moet de documenten analyseren, medische informatie extraheren en de resultaten opslaan, zodat een applicatie SQL-query's op de gegevens kan uitvoeren. De oplossing moet de schaalbaarheid maximaliseren en de operationele inspanning minimaliseren. Welke twee stappen moet de solutions architect nemen? (Kies er twee.)

De juiste antwoorden zijn het schrijven van documentinformatie naar een Amazon S3-bucket en het gebruik van Amazon Athena om de gegevens op te vragen, en het maken van een AWS Lambda-functie die wordt geactiveerd bij nieuwe uploads, waarbij Amazon Textract wordt gebruikt voor tekstconversie en Amazon Comprehend Medical voor medische informatie-extractie. S3 biedt schaalbare opslag en Athena maakt SQL-query's mogelijk op de onbewerkte gegevens zonder servers te beheren. Lambda, Textract en Comprehend Medical bieden een serverloze, schaalbare en geautomatiseerde oplossing voor het verwerken en extraheren van medische gegevens uit documenten, wat de operationele inspanning minimaliseert. Het gebruik van een EC2-instantie met MySQL is minder schaalbaar en vereist meer operationele inspanning. Een Auto Scaling group voor een aangepaste applicatie is complexer en vereist meer beheer dan de serverloze opties. Amazon Rekognition is primair voor beeld- en videoanalyse, niet voor OCR van documenten, en Transcribe Medical is voor spraak-naar-tekst, niet voor documenten.