Ein Einzelhändler nutzt Amazon Redshift für die Echtzeit-Bestandsverwaltung und hat ein ML-Modell auf einem SageMaker-Echtzeit-Endpunkt bereitgestellt. Das Unternehmen muss sofortige Bestandsempfehlungen erstellen und auch die zukünftige Bestandsnachfrage prognostizieren. Welche der folgenden Optionen erfüllen diese Anforderungen? (Wählen Sie zwei.)

Die korrekten Optionen sind die Verwendung von Amazon Redshift ML zur Generierung von Bestandsempfehlungen und die Verwendung von SQL, um einen Remote-SageMaker-Endpunkt für die Vorhersage aufzurufen. Amazon Redshift ML ermöglicht es, ML-Modelle direkt in Redshift zu trainieren und zu implementieren, was ideal für die Generierung von Bestandsempfehlungen ist. Die Fähigkeit, über SQL einen SageMaker-Endpunkt aufzurufen, erlaubt es, Echtzeit-Vorhersagen für die zukünftige Bestandsnachfrage direkt aus Redshift abzurufen. Die Option, regelmäßige Datenexporte für das Offline-Modelltraining zu planen, ist zwar eine Möglichkeit, Daten für ML zu nutzen, erfüllt aber nicht direkt die Anforderung nach sofortigen Empfehlungen und ist weniger effizient als Redshift ML. SageMaker Autopilot ist für das automatische Training von ML-Modellen gedacht, nicht für die Erstellung von Dashboards in Redshift. Redshift ist ein Data Warehouse und nicht als Dateisystem für die Archivierung alter Berichte konzipiert.