あるデータサイエンティストがSageMakerを使用して、住宅ローン不履行予測モデルをトレーニングし、デプロイしました。トレーニングは、データを手動で抽出し、SageMaker Studioノートブックでステップを実行することによって行われました。予測精度は時間とともに低下しています。モデルの精度を維持するための最も運用効率の高いステップの組み合わせはどれですか？（2つ選択してください。）

SageMaker Pipelinesは、データ抽出、モデルトレーニング、デプロイメントを含むMLワークフロー全体を自動化し、モデルの精度低下に対応する運用効率の高いソリューションを提供します。SageMaker Model Monitorは、モデルのパフォーマンス（この場合は精度）を継続的に監視し、定義されたしきい値を超えた場合にCloudWatchアラームをトリガーできます。このアラームをSageMaker Pipelinesにリンクすることで、精度が低下した際に自動的に再トレーニングとデプロイメントのワークフローを開始し、モデルの鮮度を維持できます。 他の選択肢は、手動での介入が必要であったり、自動化の範囲が限定的であったりするため、運用効率が低いです。例えば、手動での再実行はスケーラブルではなく、ECSタスクとLambdaの組み合わせは複雑で、SageMakerのマネージドサービスが提供する統合された自動化の利点を活かせません。