Firma produkuje dane wsadowe z różnych baz danych oraz dane strumieniowe na żywo z czujników sieciowych i interfejsów API aplikacji. Firma musi skonsolidować i przetworzyć wszystkie przychodzące dane, a następnie umieścić je w różnych zasobnikach Amazon S3 w celu jednorazowych zapytań i późniejszego importu do narzędzia BI do obliczania KPI. Jaka kombinacja kroków spełni te wymagania przy NAJMNIEJSZYM nakładzie pracy operacyjnej? (Wybierz dwie opcje.)

Poprawne odpowiedzi to: "Użyj blueprintów w AWS Lake Formation do identyfikacji danych do pozyskania do jeziora danych i użyj AWS Glue do przeszukiwania źródeł, wyodrębniania danych i ładowania ich do Amazon S3 w formacie Apache Parquet" oraz "Użyj Amazon Athena do jednorazowych zapytań i Amazon QuickSight do tworzenia pulpitów nawigacyjnych dla KPI". AWS Lake Formation upraszcza budowanie jezior danych, automatyzując pozyskiwanie danych z różnych źródeł, a AWS Glue jest idealny do transformacji danych (ETL) i ładowania ich do S3 w zoptymalizowanym formacie Parquet, co minimalizuje nakład pracy operacyjnej. Amazon Athena umożliwia ad-hoc zapytania SQL bezpośrednio na danych w S3 bez serwerów, a Amazon QuickSight jest narzędziem BI do tworzenia pulpitów nawigacyjnych i obliczania KPI. Pozostałe opcje są mniej optymalne: Amazon Kinesis Data Analytics jest przeznaczony głównie do analizy danych strumieniowych w czasie rzeczywistym, a nie do jednorazowych zapytań na danych historycznych. Niestandardowe funkcje AWS Lambda do przenoszenia pojedynczych rekordów są nieefektywne dla dużych ilości danych wsadowych i strumieniowych. Ładowanie danych do wielu klastrów Amazon OpenSearch Service jest kosztowne i bardziej skomplikowane niż przechowywanie w S3 dla celów analitycznych.