Банк имеет 10-летние данные о клиентах в CSV-файлах локально. Команда специалистов по данным хочет быстро выполнить преобразования и исследовать данные перед созданием производственной модели в SageMaker с минимальными усилиями по разработке. Какой подход минимизирует усилия и обеспечивает быструю трансформацию и получение аналитических данных?

Правильный ответ — загрузить CSV-файлы в бакет Amazon S3, предоставить SageMaker доступ, затем импортировать данные в SageMaker Data Wrangler для преобразования и исследования. SageMaker Data Wrangler предназначен для быстрого преобразования и исследования данных, минимизируя усилия по разработке. Он напрямую интегрируется с S3, что является стандартным способом хранения данных в AWS. Первый вариант неверен, так как SageMaker Data Wrangler не позволяет напрямую загружать локальные файлы через консоль; данные должны быть сначала в S3. Третий вариант избыточен, так как QuickSight не требуется для быстрого исследования данных, а Data Wrangler уже предоставляет возможности визуализации. Четвертый вариант также избыточен, поскольку SageMaker Studio Notebook не нужен для исследования данных после преобразования в Data Wrangler, который имеет встроенные инструменты для анализа.