Une entreprise de commerce électronique souhaite créer et entraîner des modèles de machine learning (ML) pour visualiser des scénarios complexes et détecter des tendances dans les données clients. L'équipe d'architecture doit intégrer les modèles ML à une plateforme de reporting afin que les données augmentées puissent être analysées et utilisées directement dans les tableaux de bord de business intelligence. Quelle solution répond à ces exigences avec le MOINS de surcharge opérationnelle ?

La bonne réponse est d'utiliser Amazon SageMaker pour construire et entraîner des modèles, et Amazon QuickSight pour visualiser les données. SageMaker est un service entièrement géré conçu spécifiquement pour le développement, l'entraînement et le déploiement de modèles de machine learning, minimisant ainsi la surcharge opérationnelle. QuickSight est un service de BI basé sur le cloud qui s'intègre facilement avec SageMaker et d'autres services AWS pour la visualisation des données et la création de tableaux de bord interactifs. Les autres options sont moins optimales : AWS Glue est un service ETL (Extract, Transform, Load) et non un service principal pour l'entraînement de modèles ML complexes. OpenSearch Service est plus adapté à la recherche et à l'analyse de logs qu'à la BI générale. L'utilisation d'une AMI ML pré-construite via l'AWS Marketplace nécessite une gestion d'infrastructure plus importante (EC2, etc.), augmentant la surcharge opérationnelle par rapport à SageMaker. QuickSight est un outil de BI et de visualisation, pas une plateforme pour construire et entraîner des modèles ML complexes, même avec des champs calculés.