某公司在 S3 上存储了包含历史属性数据的 CSV 文件，其中包含标题行、分类字段和缺失值。数据科学家用零填充缺失值，删除了分类字段，并训练了一个默认的开源线性回归模型；但预测准确率低于 50%。他们希望提高模型性能并以最小的运营开销快速上线。哪个选项最能满足此目标？

SageMaker Autopilot (AutoML) 能够自动执行特征工程、算法选择和模型调优，从而快速找到最佳模型并部署，这直接满足了“提高模型性能并以最小的运营开销快速上线”的目标。它处理了数据科学家手动填充零和删除分类字段等操作的局限性，并能自动处理分类特征。 其他选项： ECS 集群需要手动编写特征工程代码和模型训练代码，增加了开发和运维开销，与“最小运营开销”不符。 在 SageMaker notebook 中交互式探索虽然灵活，但仍需手动进行大量特征工程和模型选择工作，效率低于 Autopilot。 使用内置 XGBoost 模型并部署到 Lambda 函数进行推理，虽然可行，但仍需手动进行特征工程和模型调优，且 Lambda 函数的推理能力可能受限，不如 SageMaker 端点灵活和可扩展。