Компания хочет запустить ML-аналитику данных в озере данных S3. У них есть две потребности в преобразовании: (1) выполнять ежедневные плановые преобразования 300 ГБ данных различных форматов, поступающих в установленное время, и (2) выполнять однократное преобразование терабайтов архивных данных в озере. DAG-графы Amazon MWAA будут оркестрировать рабочие процессы. Какие две задачи должны планировать DAG-графы для наиболее экономичного удовлетворения этих потребностей? (Выберите два варианта)

Для ежедневных данных объемом 300 ГБ, поступающих в установленное время, AWS Glue crawlers являются экономичным решением для автоматического сканирования данных и определения схемы в AWS Glue Data Catalog. Это позволяет легко запрашивать данные без ручного определения схемы. Для однократного преобразования терабайтов архивных данных, а также для ежедневных преобразований, Amazon EMR является наиболее подходящим и экономичным выбором. Он предоставляет управляемый кластер Hadoop/Spark, который может эффективно обрабатывать большие объемы данных различных форматов. MWAA может оркестрировать задания EMR. Amazon Athena не подходит для определения схемы, так как это сервис для запросов, а не для сканирования и каталогизации. Amazon Redshift предназначен для аналитических хранилищ данных, а не для преобразования сырых данных в озере данных. Amazon SageMaker ориентирован на машинное обучение, а не на общие преобразования данных.