Firma posiada 10 TB danych w klastrze Amazon Redshift. Zespół inżynierów danych używa SageMaker Studio do analizy i tworzenia modeli, ale do trenowania potrzebny jest tylko podzbiór danych Redshift. Potrzebują bezpiecznego i ekonomicznego sposobu eksportowania odpowiedniego podzbioru do Amazon S3 w celu tworzenia modeli. Które rozwiązania spełniają te wymagania? (Wybierz dwie.)

Opcja z AWS Secrets Manager i adapterem bazy danych Python jest prawidłowa, ponieważ pozwala na bezpieczne zarządzanie poświadczeniami i elastyczne pobieranie danych z Redshift bezpośrednio do środowiska notebooka SageMaker Studio, a następnie eksportowanie ich do S3. Jest to ekonomiczne, ponieważ pobierany jest tylko potrzebny podzbiór. Opcja z SageMaker Data Wrangler jest również prawidłowa, ponieważ Data Wrangler jest zaprojektowany do wizualizacji, transformacji i eksportowania danych z różnych źródeł, w tym Redshift, bezpośrednio do S3, co jest efektywnym i bezpiecznym rozwiązaniem. Opcja z rozproszonym zadaniem SageMaker Processing jest mniej optymalna, ponieważ chociaż używa Sparka, to do prostego eksportu podzbioru danych może być nadmiernie skomplikowana i kosztowna. Uruchamianie wielu instancji notebooków z PySpark i pobieranie danych do klastra notebooków jest nieefektywne i może być kosztowne, zwłaszcza przy dużych zbiorach danych. Opcja z bardzo dużą instancją notebooka i pamięcią blokową 10 TB jest niepraktyczna i bardzo kosztowna, ponieważ notebooki nie są przeznaczone do przechowywania ani przetwarzania tak dużych ilości danych lokalnie.