某公司對資料湖中的資料進行季度分析，以執行庫存檢查。資料工程師使用 AWS Glue DataBrew 在資料中尋找任何關於客戶的個人身份資訊 (PII)。該公司的隱私規則包含一些自訂 PII 類別，這些類別不屬於 DataBrew 的內建資料品質規則。工程師必須更新流程，以掃描資料湖中許多資料集中的這些自訂 PII 類別。哪種方法能以最少的操作負擔滿足此要求？

正確答案是「在 DataBrew 中建立自訂資料品質規則，並將這些規則應用於所有資料集」。AWS Glue DataBrew 支援建立自訂資料品質規則，這讓資料工程師能夠定義針對特定 PII 類別的檢查。將這些自訂規則應用於多個資料集，可以自動化 PII 掃描過程，並顯著減少操作負擔，因為 DataBrew 會在每次運行時自動執行這些檢查。 「手動審查資料集」效率低下且容易出錯，不適合大規模資料湖。 「編寫自訂 Python 腳本」雖然可行，但需要額外的開發和維護工作，增加了操作複雜性，不如 DataBrew 內建的自訂規則功能方便。 「在 ETL 過程中，使用正規表達式來提取 PII」是在資料進入資料湖之前進行的，但題目要求掃描資料湖中現有的資料集，且 DataBrew 的自訂規則能更好地整合到現有流程中，提供更全面的資料品質管理。