Inżynier danych musi załadować zbiór danych do jeziora danych Amazon S3, używając usług AWS. Po sprofilowaniu danych inżynier odkrywa dane osobowe (PII). Inżynier musi zarówno sprofilować zbiór danych, jak i zaciemnić PII. Które podejście spełni ten wymóg przy NAJMNIEJSZYM wysiłku operacyjnym?

Poprawna odpowiedź minimalizuje wysiłek operacyjny, wykorzystując wbudowane funkcje AWS Glue Studio do wykrywania i zaciemniania PII. Transformacja "Detect PII" w AWS Glue Studio jest zaprojektowana specjalnie do tego celu, co upraszcza proces. AWS Step Functions to doskonałe narzędzie do orkiestracji złożonych potoków danych, zapewniając łatwe zarządzanie i monitorowanie. Pierwsza opcja wymaga ręcznego tworzenia funkcji Lambda do identyfikacji i zaciemniania PII, co jest bardziej złożone i wymaga większego wysiłku programistycznego niż użycie wbudowanych transformacji Glue. Trzecia opcja, choć wykorzystuje "Detect PII" w Glue Studio, dodaje regułę AWS Glue Data Quality do zaciemniania PII. Chociaż Glue Data Quality może być używane do walidacji, zaciemnianie PII jest bardziej efektywnie realizowane bezpośrednio w ramach transformacji danych w Glue Studio, co czyni to podejście nieco mniej optymalnym pod względem wysiłku. Czwarta opcja, wykorzystująca DynamoDB i funkcje Lambda, wprowadza dodatkową bazę danych i wymaga pisania kodu do transformacji i ładowania danych, co znacznie zwiększa złożoność i wysiłek operacyjny w porównaniu z rozwiązaniem opartym na Glue Studio.