Une entreprise dispose de données historiques sur des propriétés au format CSV sur S3, avec un en-tête, des champs catégoriels et des valeurs manquantes. Les scientifiques des données ont rempli les valeurs manquantes avec des zéros, supprimé les champs catégoriels et entraîné un modèle de régression linéaire open source par défaut ; la précision des prédictions est inférieure à 50 %. Ils souhaitent améliorer les performances du modèle et le lancer rapidement avec un minimum de frais opérationnels. Quelle option répond le mieux à cet objectif ?

L'option correcte est d'utiliser SageMaker Autopilot. Autopilot est une solution AutoML qui gère automatiquement la préparation des données, la sélection des algorithmes, l'entraînement et le réglage des hyperparamètres, ce qui permet d'améliorer rapidement les performances du modèle avec un minimum d'effort opérationnel. Il est conçu pour les cas où la précision est faible et où l'on souhaite une solution rapide. L'option ECS est trop complexe et opérationnellement coûteuse pour l'objectif de "lancement rapide avec un minimum de frais opérationnels". L'option du bloc-notes SageMaker est une bonne approche exploratoire, mais elle ne garantit pas la rapidité et l'optimisation qu'Autopilot peut offrir pour améliorer la précision. L'option XGBoost avec Lambda pour l'inférence est une bonne approche technique, mais elle nécessite plus d'efforts manuels pour l'ingénierie des fonctionnalités et le réglage des hyperparamètres que ce qu'Autopilot peut fournir, et Lambda n'est pas idéal pour l'inférence de modèles complexes.