Uma empresa de e-commerce quer construir e treinar modelos de machine learning (ML) para visualizar cenários complexos e detectar tendências nos dados dos clientes. A equipe de arquitetura deve integrar os modelos de ML a uma plataforma de relatórios para que os dados aumentados possam ser analisados e usados diretamente em painéis de business intelligence. Qual solução atende a esses requisitos com o MENOR overhead operacional?

A opção correta é usar o Amazon SageMaker para construir e treinar modelos e o Amazon QuickSight para visualizar os dados. O SageMaker é um serviço totalmente gerenciado para construir, treinar e implantar modelos de ML em escala, minimizando o overhead operacional. O QuickSight é um serviço de BI sem servidor que permite criar painéis interativos e visualizar dados, incluindo os aumentados por ML, de forma eficiente. Usar o AWS Glue para transformações de ML é possível, mas o SageMaker é mais especializado e otimizado para o ciclo de vida completo do ML. Usar uma AMI de ML do AWS Marketplace adiciona overhead de gerenciamento de infraestrutura. O QuickSight não é projetado para construir e treinar modelos de ML complexos; seus campos calculados são para transformações de dados mais simples.