ML 프로젝트의 모든 원시 데이터는 Amazon S3에 저장됩니다. ML 엔지니어는 AWS에서 데이터 수집 파이프라인과 모델 배포 파이프라인을 구축해야 합니다. 엔지니어는 어떤 서비스 조합을 사용해야 할까요?

AWS Glue는 데이터 추출, 변환, 적재(ETL) 작업을 위한 완전 관리형 서비스로, S3에 저장된 원시 데이터를 처리하고 준비하는 데 적합합니다. Amazon SageMaker Studio Classic은 ML 개발을 위한 통합 개발 환경(IDE)으로, 모델 학습, 배포, 모니터링 등 ML 워크플로우 전반을 관리할 수 있어 모델 배포 파이프라인 구축에 효율적입니다. Amazon Kinesis Data Firehose는 실시간 스트리밍 데이터 수집에 주로 사용되며, 정적 원시 데이터 처리에는 적합하지 않습니다. Amazon Redshift ML은 Redshift 데이터 웨어하우스 내에서 ML 모델을 구축하고 배포하는 데 사용되므로, 원시 데이터 수집 파이프라인에는 직접적인 관련이 없습니다. Amazon Athena는 S3 데이터를 직접 쿼리하는 서비스로, 데이터 변환 및 파이프라인 구축보다는 분석에 중점을 둡니다. SageMaker 노트북은 Studio Classic의 한 구성 요소이지만, Studio Classic이 더 포괄적인 ML 개발 환경을 제공합니다.