一位数据科学家使用 SageMaker 训练并部署了一个贷款违约预测模型。训练是通过手动提取数据并在 SageMaker Studio notebook 中运行步骤完成的。预测准确性随时间推移而下降。以下哪种步骤组合是保持模型准确性最具有操作效率的方法？（选择两项）

模型准确性随时间下降是模型漂移的典型表现。最操作效率高的方法是自动化模型的监控和再训练。 SageMaker Pipelines 允许构建端到端的自动化机器学习工作流，包括数据提取、模型训练和部署，这直接解决了手动过程效率低下的问题，并确保了模型更新的及时性。 SageMaker Model Monitor 可以持续监控生产模型的性能，包括数据质量、模型偏差和模型漂移。通过配置准确性阈值和 CloudWatch 警报，可以在模型性能下降时自动触发 SageMaker Pipelines 工作流进行再训练和部署，从而实现智能化的模型维护。 将预测存储在 S3 并使用 SageMaker Processing 作业评估准确性，虽然能发现问题，但缺乏自动化再训练和部署的能力，效率较低。手动重新运行 notebook 效率最低，且无法应对模型漂移的实时性要求。将 notebook 代码导出为 ECS 任务并通过 Lambda 触发，虽然实现了自动化，但相比 SageMaker Pipelines，它缺少专门为 ML 工作流设计的集成和管理能力，操作效率和维护成本可能更高。