StreamVid 在 S3 中儲存了數 TB 的原始 CSV 日誌，在訓練之前需要自動化的分析和可重複的轉換（解析時間戳記、捨棄低基數欄位、轉換為 Parquet）。哪種 DataBrew 工作流程最能滿足這些要求，以及排程執行時必須確保什麼？

此選項正確，因為它完整描述了使用 DataBrew 處理此工作負載的正確步驟。DataBrew 專為此類自動化、可重複的資料轉換而設計，支援 CSV 輸入、Parquet 輸出、時間戳記解析和欄位捨棄，並可排程執行。確保工作角色具有 S3 權限和 VPC 存取是任何 AWS 服務存取 S3 的標準要求。 其他選項不正確： AWS Glue ETL 工作雖然功能強大，但 DataBrew 更適合此處描述的互動式資料準備和配方建立，且 DataBrew 確實支援排程和 Parquet 輸出。 SageMaker Data Wrangler 是一個有效的選項，但它通常用於 SageMaker 生態系統內，而 DataBrew 是一個獨立的資料準備服務，更直接地滿足了問題中的需求。此外，DataBrew 確實可以產生 Parquet 輸出並排程執行。 Lambda 函數雖然可以實現此功能，但需要手動編寫和維護程式碼，這與 DataBrew 提供的低程式碼、視覺化方法相反，後者更適合問題中強調的「自動化分析和可重複的轉換」。