Szpital digitalizuje duże archiwum historycznych dokumentów pisemnych i będzie codziennie dodawać setki nowych dokumentów. Zespół ds. danych będzie skanować dokumenty i przesyłać je do AWS. Architekt rozwiązań musi analizować dokumenty, wyodrębniać informacje medyczne i przechowywać wyniki, aby aplikacja mogła wykonywać zapytania SQL na danych. Rozwiązanie powinno maksymalizować skalowalność i minimalizować wysiłek operacyjny. Jakie dwa kroki powinien podjąć architekt rozwiązań? (Wybierz dwie opcje.)

Poprawne odpowiedzi to: "Zapisz informacje o dokumencie w zasobniku Amazon S3. Użyj Amazon Athena do wykonywania zapytań na danych" oraz "Utwórz funkcję AWS Lambda, która uruchamia się po przesłaniu nowych dokumentów. Użyj Amazon Textract do konwersji dokumentów na surowy tekst. Użyj Amazon Comprehend Medical do wykrywania i wyodrębniania odpowiednich informacji medycznych z tekstu." Przechowywanie danych w Amazon S3 jest skalowalne i ekonomiczne, a Amazon Athena umożliwia wykonywanie zapytań SQL bezpośrednio na danych w S3 bez zarządzania serwerami. To minimalizuje wysiłek operacyjny. Użycie funkcji AWS Lambda wyzwalanej przez nowe dokumenty, w połączeniu z Amazon Textract do ekstrakcji tekstu z zeskanowanych dokumentów i Amazon Comprehend Medical do wyodrębniania informacji medycznych, zapewnia w pełni zarządzane i skalowalne rozwiązanie. Niepoprawne opcje: Użycie instancji EC2 z bazą danych MySQL wymagałoby ręcznego zarządzania skalowalnością i dostępnością, co zwiększa wysiłek operacyjny. Użycie Amazon Rekognition i Amazon Transcribe Medical nie jest optymalne. Rekognition służy głównie do analizy obrazów i wideo, a Transcribe Medical do transkrypcji mowy, nie do ekstrakcji tekstu z dokumentów.