Une entreprise doit prévoir les besoins mensuels en ressources pour les processus de fabrication en utilisant des données historiques stockées dans un compartiment Amazon S3. L'entreprise n'a aucune expérience en ML et souhaite un service géré pour la formation et les prédictions. Quelle combinaison d'étapes répondra à ces exigences ? (Choisissez-en deux.)

L'entreprise n'ayant aucune expérience en ML et souhaitant un service géré, Amazon SageMaker est la solution appropriée. La première étape consiste à entraîner un modèle de Machine Learning en utilisant les données historiques stockées dans Amazon S3. SageMaker fournit des outils et des algorithmes gérés pour simplifier ce processus. Une fois le modèle entraîné, il doit être déployé pour être utilisable. Cela implique de créer un point de terminaison SageMaker, qui est une API RESTful permettant de soumettre des données pour obtenir des prédictions (inférence). Les options concernant Amazon Forecast sont incorrectes car bien que Forecast soit un service de prévision géré, la question mentionne des "besoins en ressources pour les processus de fabrication" et non spécifiquement des prévisions de séries chronologiques, ce qui rend SageMaker plus général et adapté pour divers types de modèles ML. L'utilisation de fonctions Lambda avec des URL de fonction est une méthode d'intégration, pas une étape fondamentale de formation ou de déploiement de modèle.