한 회사에 S3에 CSV 형식으로 저장된 과거 속성 데이터가 있으며, 여기에는 헤더, 범주형 필드 및 누락된 값이 포함되어 있습니다. 데이터 과학자들은 누락된 값을 0으로 채우고, 범주형 필드를 삭제한 다음, 기본 오픈 소스 선형 회귀 모델을 훈련했습니다. 그러나 예측 정확도는 50% 미만입니다. 그들은 모델 성능을 개선하고 운영 오버헤드를 최소화하면서 신속하게 출시하기를 원합니다. 다음 중 이 목표를 가장 잘 달성하는 옵션은 무엇입니까?

정답은 SageMaker Autopilot을 사용하여 모델 성능을 개선하고 운영 오버헤드를 최소화하며 신속하게 출시하는 것입니다. Autopilot은 데이터 전처리, 특징 엔지니어링, 알고리즘 선택 및 하이퍼파라미터 튜닝을 포함한 기계 학습 프로세스를 자동화합니다. 이는 데이터 과학자들이 수동으로 수행했던 누락된 값 처리 및 범주형 필드 삭제와 같은 작업을 자동으로 처리하여 50% 미만의 정확도를 개선할 수 있습니다. 또한, Autopilot은 최적의 모델을 자동으로 배포하여 운영 오버헤드를 줄이고 빠른 출시를 가능하게 합니다. 오답: ECS 클러스터에서 Deep Learning Containers를 사용하는 것은 수동 특징 엔지니어링 및 모델 선택이 필요하여 운영 오버헤드를 증가시키고 출시 시간을 지연시킬 수 있습니다. SageMaker 노트북에서 대화식으로 탐색하는 것은 모델 성능을 개선할 수 있지만, 수동 작업이 많아 운영 오버헤드가 높고 출시 시간이 길어질 수 있습니다. SageMaker 훈련 작업에서 내장 XGBoost 모델을 실행하는 것은 Autopilot보다 수동 구성이 더 많이 필요하며, 특징 엔지니어링 및 모델 선택을 자동화하지 않아 성능 개선에 한계가 있을 수 있습니다.