Bank posiada 10-letnie dane klientów w plikach CSV w środowisku lokalnym. Zespół data science chce szybko przeprowadzić transformacje i eksplorację danych przed zbudowaniem modelu produkcyjnego w SageMaker, przy minimalnym wysiłku programistycznym. Które podejście minimalizuje wysiłek i umożliwia szybką transformację i uzyskanie wglądu w dane?

Poprawna odpowiedź to przesłanie plików CSV do zasobnika Amazon S3, przyznanie SageMaker dostępu, a następnie zaimportowanie danych do SageMaker Data Wrangler w celu transformacji i eksploracji. Data Wrangler wymaga, aby dane źródłowe znajdowały się w S3, co jest standardową praktyką w AWS dla dużych zbiorów danych. Bezpośrednie przesyłanie do konsoli Data Wrangler nie jest możliwe, ponieważ Data Wrangler nie jest miejscem przechowywania danych. Pozostałe opcje wprowadzają niepotrzebne kroki, takie jak użycie QuickSight do eksploracji (gdy Data Wrangler oferuje wizualizacje) lub zapisywanie do drugiego zasobnika S3 przed eksploracją, co zwiększa złożoność i wysiłek.