Tutti i dati grezzi per un progetto ML sono archiviati in Amazon S3. Un ingegnere ML deve creare pipeline di ingestione dati e pipeline di deployment di modelli su AWS. Quale combinazione di servizi dovrebbe utilizzare l'ingegnere?

L'opzione corretta è usare AWS Glue per l'ingestione dei dati e Amazon SageMaker Studio Classic per il deployment dei modelli. AWS Glue è un servizio ETL (Extract, Transform, Load) serverless che si integra nativamente con Amazon S3, rendendolo ideale per preparare e catalogare dati grezzi per l'uso in ML. Amazon SageMaker Studio Classic offre un ambiente di sviluppo integrato per l'intero ciclo di vita del ML, inclusa la creazione e la gestione di pipeline di deployment di modelli. Le altre opzioni sono meno adatte: Amazon Kinesis Data Firehose è per lo streaming di dati in tempo reale, non per l'ingestione di dati grezzi statici da S3. Amazon Redshift ML è per l'addestramento e il deployment di modelli all'interno di Redshift, non per l'ingestione generale di dati. Amazon Athena è un servizio di query interattivo per S3, non una soluzione ETL per pipeline di ingestione dati. Un notebook SageMaker è un ambiente di sviluppo, ma SageMaker Studio Classic offre funzionalità più complete per la gestione delle pipeline di deployment.