Una empresa debe predecir las necesidades mensuales de recursos para los procesos de fabricación utilizando datos históricos almacenados en un bucket de Amazon S3. La empresa no tiene experiencia en ML y desea un servicio gestionado para la capacitación y las predicciones. ¿Qué combinación de pasos cumplirá estos requisitos? (Elija dos).

La empresa necesita un servicio gestionado para entrenar un modelo y realizar predicciones, sin experiencia en ML. Amazon SageMaker es un servicio de ML completamente gestionado que permite a los desarrolladores y científicos de datos construir, entrenar e implementar modelos de ML rápidamente. La opción "Usar Amazon SageMaker para entrenar un modelo utilizando los datos históricos en el bucket de S3" es correcta porque SageMaker puede acceder directamente a los datos en S3 para el entrenamiento del modelo. La opción "Implementar un modelo de Amazon SageMaker. Crear un SageMaker endpoint para inferencia" es correcta porque, una vez entrenado el modelo, se debe implementar en un endpoint de SageMaker para realizar predicciones en tiempo real o por lotes, lo que cumple con el requisito de predicción. Las opciones relacionadas con AWS Lambda son incorrectas porque, aunque Lambda podría usarse para invocar el endpoint, no es el servicio principal para el entrenamiento y la predicción de ML en este escenario. Amazon Forecast es un servicio de pronóstico, pero la pregunta se centra en un enfoque más general de ML y SageMaker es la solución más completa para construir y desplegar modelos personalizados.