Ein Unternehmen muss den monatlichen Ressourcenbedarf für Fertigungsprozesse mithilfe historischer Daten vorhersagen, die in einem Amazon S3-Bucket gespeichert sind. Das Unternehmen hat keine ML-Erfahrung und wünscht sich einen verwalteten Dienst für Training und Vorhersagen. Welche Kombination von Schritten erfüllt diese Anforderungen? (Wählen Sie zwei.)

Die korrekten Antworten sind die Verwendung von Amazon SageMaker zum Trainieren eines Modells und die Bereitstellung dieses Modells mit einem SageMaker-Endpunkt für die Inferenz. SageMaker ist ein vollständig verwalteter Dienst, der den gesamten ML-Workflow abdeckt, einschließlich Training und Bereitstellung, und ist ideal für Unternehmen ohne ML-Erfahrung. Die historischen Daten in S3 können direkt als Eingabe für das Training verwendet werden. Ein SageMaker-Endpunkt ermöglicht es, das trainierte Modell für Echtzeit-Vorhersagen bereitzustellen. Amazon Forecast ist zwar ein verwalteter Dienst für Zeitreihenprognosen, aber die Frage impliziert einen allgemeineren ML-Ansatz für "Ressourcenbedarf vorhersagen", bei dem SageMaker die flexiblere und umfassendere Lösung darstellt, insbesondere wenn das Unternehmen keine ML-Erfahrung hat und einen verwalteten Dienst für Training und Vorhersagen wünscht. Lambda-Funktionen sind für die Ausführung von Code gedacht, nicht für das Training oder die Bereitstellung von ML-Modellen selbst; sie könnten zur Orchestrierung oder zum Aufruf von SageMaker-Endpunkten verwendet werden, sind aber nicht die primäre Lösung für Training und Inferenz.