Alle Rohdaten für ein ML-Projekt werden in Amazon S3 gespeichert. Ein ML-Ingenieur muss Datenaufnahme-Pipelines und Modellbereitstellungs-Pipelines auf AWS erstellen. Welche Kombination von Services sollte der Ingenieur verwenden?

AWS Glue ist ein vollständig verwalteter ETL-Service (Extrahieren, Transformieren, Laden), der sich ideal für die Erstellung von Datenaufnahme-Pipelines eignet, insbesondere wenn die Rohdaten in Amazon S3 gespeichert sind. Er kann Daten aus S3 lesen, transformieren und für ML-Workloads vorbereiten. Amazon SageMaker Studio Classic bietet eine integrierte Entwicklungsumgebung für den gesamten ML-Workflow, einschließlich der Erstellung und Bereitstellung von Modellbereitstellungs-Pipelines. Amazon Kinesis Data Firehose ist für das Streaming von Daten konzipiert, nicht für die Batch-Verarbeitung von Rohdaten aus S3. Amazon Redshift ML ist für das Training von ML-Modellen innerhalb von Redshift gedacht, nicht für die allgemeine Datenaufnahme. Amazon Athena ist ein interaktiver Abfragedienst und keine dedizierte Lösung für die Erstellung von Datenaufnahme-Pipelines. Ein Amazon SageMaker Notebook ist eine Komponente von SageMaker, aber Studio Classic bietet eine umfassendere Umgebung für die gesamte Modellbereitstellung.