Bir şirketin Amazon Redshift kümesinde 10 TB verisi bulunmaktadır. Veri mühendisliği ekibi analiz ve model geliştirme için SageMaker Studio kullanmaktadır, ancak eğitim için Redshift verilerinin yalnızca bir alt kümesine ihtiyaç duyulmaktadır. İlgili alt kümeyi model geliştirme için Amazon S3'e aktarmanın güvenli ve uygun maliyetli bir yoluna ihtiyaçları vardır. Hangi çözümler bu gereksinimleri karşılar? (İki tane seçin.)

Doğru cevaplar, hem güvenliği hem de maliyet etkinliğini sağlar. İlk doğru seçenek, Redshift kimlik bilgilerini AWS Secrets Manager'da güvenli bir şekilde saklamayı ve SageMaker Studio notebook'undan bir Python veritabanı adaptörü kullanarak verileri sorgulayıp S3'e aktarmayı önerir. Bu, hassas bilgilerin korunmasını ve esnek bir veri aktarım yöntemi sunar. İkinci doğru seçenek olan SageMaker Data Wrangler, Redshift verilerini görselleştirmek, dönüştürmek ve doğrudan S3'e aktarmak için tasarlanmış, kodsuz veya az kodlu bir çözümdür. Bu, veri mühendisliği ekibinin verileri kolayca hazırlamasını ve aktarmasını sağlar. Yanlış seçenekler ise ya gereksiz karmaşıklık (Spark işi çalıştırmak) ya da maliyet etkin olmayan veya pratik olmayan yaklaşımlar (tüm 10 TB veriyi notebook'a indirmek veya dağıtılmış PySpark çekirdeği ile tüm veriyi notebook kümesine indirmek) içerir. 10 TB veriyi doğrudan bir notebook instance'ına indirmek, hem depolama hem de işlem gücü açısından pahalı ve verimsizdir.