Ein Unternehmen verfügt über historische Immobiliendaten im CSV-Format in S3 mit einem Header, kategorialen Feldern und fehlenden Werten. Data Scientists haben fehlende Werte mit Nullen aufgefüllt, kategoriale Felder gelöscht und ein Standard-Open-Source-Modell für lineare Regression trainiert; die Vorhersagegenauigkeit liegt unter 50 %. Sie möchten die Modellleistung verbessern und schnell mit minimalem Betriebsaufwand starten. Welche Option erfüllt dieses Ziel am besten?

Die korrekte Option ist die beste Wahl, da SageMaker Autopilot (AutoML) speziell für die schnelle Verbesserung der Modellleistung mit minimalem Betriebsaufwand entwickelt wurde. Autopilot automatisiert Feature Engineering, Algorithmusauswahl und Hyperparameter-Optimierung, was die Vorhersagegenauigkeit erheblich steigern kann, ohne dass Data Scientists manuell eingreifen müssen. Die Bereitstellung des besten Modells für Vorhersagen ist ebenfalls ein integrierter und einfacher Schritt. Die Option mit ECS erfordert viel manuellen Aufwand für Infrastrukturmanagement und Feature Engineering, was nicht dem Ziel des minimalen Betriebsaufwands entspricht. Die Option mit dem SageMaker-Notebook ist zwar flexibel, aber der interaktive Prozess ist zeitaufwendiger und erfordert mehr Fachwissen als Autopilot, um schnell die beste Leistung zu erzielen. Die Option mit XGBoost und Lambda erfordert ebenfalls manuelles Feature Engineering und die Verwaltung der Inferenz in Lambda, was komplexer ist als die integrierte Bereitstellung von Autopilot.