Ein E-Commerce-Unternehmen möchte Machine Learning (ML)-Modelle erstellen und trainieren, um komplexe Szenarien zu visualisieren und Trends in Kundendaten zu erkennen. Das Architekturteam muss die ML-Modelle in eine Berichterstellungsplattform integrieren, damit die erweiterten Daten analysiert und direkt in Business-Intelligence-Dashboards verwendet werden können. Welche Lösung erfüllt diese Anforderungen mit dem geringsten Betriebsaufwand?

Die korrekte Antwort ist die Verwendung von Amazon SageMaker zum Erstellen und Trainieren von Modellen und Amazon QuickSight zur Datenvisualisierung. SageMaker ist ein vollständig verwalteter Dienst, der den gesamten ML-Workflow vereinfacht und somit den Betriebsaufwand minimiert. QuickSight ist ein cloudbasierter Business-Intelligence-Dienst, der sich nahtlos in AWS-Dienste integrieren lässt und interaktive Dashboards für die Analyse erweiterter Daten bietet. AWS Glue ML-Transformationen sind eher für Datenbereinigung und -vorbereitung gedacht, nicht für das umfassende Erstellen und Trainieren komplexer ML-Modelle. Die Verwendung eines vorgefertigten ML AMI erfordert mehr Betriebsaufwand für die Verwaltung der zugrunde liegenden Infrastruktur. QuickSight kann zwar einfache Berechnungen durchführen, ist aber nicht für das Erstellen und Trainieren komplexer ML-Modelle konzipiert.