您有 10 GB 的物聯網土壤感測器資料儲存在 Amazon DynamoDB 資料表中，以及 5 GB 的天氣事件資料以 JSON 檔案形式儲存在 Amazon S3 中。您希望準備這個組合資料集，以最少的管理負擔來訓練 Amazon SageMaker 模型。哪種方法最能達成所需的轉換？

正確答案是執行 AWS Glue 爬蟲程式以編目資料。建立 AWS Glue ETL 任務，合併 DynamoDB 和 S3 資料集，並將合併後的輸出以 CSV 檔案形式寫入 Amazon S3。AWS Glue 是一種無伺服器 ETL 服務，可以自動編目資料並建立 ETL 任務來轉換和合併來自不同來源的資料，例如 DynamoDB 和 S3。將結果輸出為 CSV 檔案到 S3 是訓練 SageMaker 模型的常見且高效的方法，因為 S3 是 SageMaker 的主要資料來源，且 CSV 格式易於處理。 其他選項的缺點： 啟動 Amazon EMR 叢集雖然可行，但涉及管理 EMR 叢集的額外負擔，不符合「最少的管理負擔」要求。 將資料寫入 Amazon Redshift 叢集會增加額外的成本和管理複雜性，且對於訓練 SageMaker 模型而言，通常不需要先將資料載入到資料倉儲中。 在 DynamoDB 上啟用 Streams 並使用 Lambda 消費者將項目附加到 S3 中現有的天氣檔案，這種方法更適合即時資料處理和增量更新，而非一次性合併歷史資料集，且合併邏輯會變得複雜。