Avant l'entraînement, le déséquilibre des classes de l'ensemble de données doit être résolu avec un effort opérationnel minimal. Quelle option permet d'y parvenir le mieux ?

L'opération de rééquilibrage des données d'Amazon SageMaker Data Wrangler est la meilleure option car elle est spécifiquement conçue pour gérer le déséquilibre des classes avec un effort opérationnel minimal. Elle permet de suréchantillonner la classe minoritaire directement dans le pipeline de préparation des données, ce qui est une méthode courante et efficace pour adresser ce problème avant l'entraînement. Les autres options sont moins optimales : Utiliser Amazon Athena pour découvrir les schémas et ajuster manuellement l'ensemble de données serait trop laborieux et ne répond pas à l'exigence d'un "effort opérationnel minimal". Utiliser les algorithmes intégrés de SageMaker Studio Classic gère le déséquilibre pendant l'entraînement, mais l'énoncé demande de résoudre le déséquilibre avant l'entraînement. Utiliser les fonctionnalités intégrées d'AWS Glue DataBrew pour suréchantillonner la classe minoritaire est une option viable pour la préparation des données, mais SageMaker Data Wrangler est plus intégré à l'écosystème SageMaker pour les flux de travail ML complets, offrant une solution plus cohérente pour cette tâche spécifique dans ce contexte.