Firma chce uruchomić analizę ML na danych w jeziorze danych S3. Mają dwie potrzeby transformacji: (1) wykonywanie zaplanowanych codziennych transformacji na 300 GB danych w różnych formatach, które docierają o ustalonej godzinie, oraz (2) uruchomienie jednorazowej transformacji na terabajtach zarchiwizowanych danych w jeziorze. DAG-i Amazon MWAA będą orkiestrować przepływy pracy. Które dwa zadania powinny zaplanować DAG-i, aby sprostać tym potrzebom w najbardziej opłacalny sposób? (Wybierz dwie opcje.)

AWS Glue crawlers są idealne do automatycznego wykrywania schematu danych w S3, co jest kluczowe dla codziennych danych przychodzących w różnych formatach, zapewniając ich gotowość do analizy bez ręcznej interwencji. Amazon EMR jest wysoce skalowalnym i elastycznym rozwiązaniem do przetwarzania dużych zbiorów danych, zarówno codziennych (300 GB), jak i archiwalnych (terabajty), co czyni go opłacalnym wyborem dla transformacji. Amazon Athena służy do zapytań, nie do skanowania i identyfikacji schematu. Amazon Redshift jest hurtownią danych, nie narzędziem do transformacji danych w jeziorze danych. Amazon SageMaker jest platformą ML, nieoptymalną do transformacji terabajtów danych archiwalnych.