MLS-C01#2(data-engineering)
ある保険会社は契約者属性データを Snowflake に保有し、SageMaker Studio から特徴量探索と前処理を視覚的に行いたいと考えています。SQL を書かずに数十種類の変換を試し、その後フローを処理ジョブに変換して S3 に書き出したい場合、最も適した方法はどれでしょうか。
正解：B
正解の根拠
SageMaker Data Wrangler は Snowflake をはじめ多数のソースをネイティブサポートし、300 以上のビルトイン変換を GUI で適用できます。完成したフローはワンクリックで SageMaker Processing ジョブにエクスポートでき、本番化までの開発体験が一貫しています。
| ツール | 主用途 | 連携 |
|---|---|---|
| Data Wrangler | 特徴量設計 | Processing 出力 |
| DataBrew | クレンジング | レシピ単位 |
| Glue Studio | 汎用 ETL | SageMaker 直結ではない |
不正解の理由
- A: Glue Studio は ETL 向けで、特徴量探索の試行錯誤や Processing 出力には最適ではありません。
- C: DataBrew は Snowflake 直結のレシピを Processing にエクスポートする機能が提供されていません。
- D: PySpark を手書きする方式は GUI 探索の要件を満たさず、開発効率が大きく低下します。
コメント