某个机器学习项目的所有原始数据都存储在 Amazon S3 中。一位机器学习工程师必须在 AWS 上构建数据摄取管道和模型部署管道。工程师应该使用哪种服务组合？

正确答案是使用 AWS Glue 构建数据摄取管道，并使用 Amazon SageMaker Studio Classic 创建模型部署管道。AWS Glue 是一种无服务器数据集成服务，非常适合从 Amazon S3 摄取、转换和加载（ETL）原始数据，为机器学习模型准备数据。Amazon SageMaker Studio Classic 提供了一个全面的集成开发环境，用于构建、训练、部署和管理机器学习模型，包括创建模型部署管道。 其他选项不合适的原因： Amazon Kinesis Data Firehose 主要用于实时数据流摄取，而不是从 S3 批量摄取原始数据。 Amazon Redshift ML 专注于在 Redshift 中使用 SQL 进行机器学习，不直接用于通用数据摄取管道。 Amazon Athena 是一种交互式查询服务，虽然可以查询 S3 数据，但它本身不是一个用于构建复杂数据摄取和转换管道的工具。Amazon SageMaker notebook 可以用于模型开发，但 SageMaker Studio Classic 提供了更全面的部署和管理功能。