Todos os dados brutos de um projeto de ML são armazenados no Amazon S3. Um engenheiro de ML deve construir pipelines de ingestão de dados e pipelines de implantação de modelo na AWS. Qual combinação de serviços o engenheiro deve usar?

A opção correta é usar o AWS Glue para pipelines de ingestão de dados e o Amazon SageMaker Studio Classic para pipelines de implantação de modelo. O AWS Glue é um serviço de ETL (Extract, Transform, Load) sem servidor que é ideal para preparar e carregar dados brutos do S3 para uso em ML. Ele pode lidar com transformações complexas e integração de dados. O Amazon SageMaker Studio Classic é um ambiente de desenvolvimento integrado (IDE) baseado na web que oferece ferramentas abrangentes para construir, treinar e implantar modelos de ML, tornando-o perfeito para pipelines de implantação. As outras opções são menos adequadas: Amazon Kinesis Data Firehose é para streaming de dados em tempo real, não para dados brutos já armazenados no S3. Amazon Redshift ML é para treinar modelos dentro do data warehouse Redshift, não para ingestão de dados brutos ou implantação de modelos de forma geral. Amazon Athena é um serviço de consulta interativa para dados no S3, não uma ferramenta para construir pipelines de ingestão de dados. Um notebook do SageMaker pode ser usado para implantação, mas o Studio Classic oferece uma experiência mais integrada e completa.