Компания генерирует пакетные данные из различных баз данных и данные потоковой передачи в реальном времени с сетевых датчиков и API приложений. Компании необходимо консолидировать и обрабатывать все входящие данные, затем помещать их в различные бакеты Amazon S3 для однократных запросов и последующего импорта в инструмент BI для KPI. Какая комбинация шагов позволит выполнить эти требования с НАИМЕНЬШИМИ операционными издержками? (Выберите два варианта)

Правильные варианты A и E обеспечивают наименьшие операционные издержки. Вариант E использует AWS Lake Formation для создания озера данных, что упрощает сбор данных из различных источников, а AWS Glue ETL преобразует их в эффективный формат Apache Parquet и загружает в S3. Это оптимизирует хранение и подготовку данных. Вариант A затем использует Amazon Athena для выполнения ad-hoc запросов непосредственно к данным в S3 без необходимости управления серверами, что снижает операционные расходы. Amazon QuickSight идеально подходит для создания BI-дашбордов. Неправильные варианты: Использование Kinesis Data Analytics для ad-hoc запросов не является его основной функцией; он предназначен для обработки потоковых данных в реальном времени. Создание пользовательских функций Lambda для перемещения данных в Redshift увеличивает операционную сложность и затраты по сравнению с автоматизированными сервисами. Использование AWS Glue ETL для преобразования в JSON и загрузки в несколько кластеров OpenSearch Service является избыточным и дорогостоящим для данного сценария, особенно для ad-hoc запросов и BI, где S3 и Athena/QuickSight более эффективны.