Een bedrijf heeft historische vastgoedgegevens in CSV op S3 met een header, categorische velden en ontbrekende waarden. Data scientists hebben ontbrekende waarden aangevuld met nullen, categorische velden verwijderd en een standaard open-source lineair regressiemodel getraind; de voorspellingsnauwkeurigheid is minder dan 50%. Ze willen de modelprestaties verbeteren en snel lanceren met minimale operationele overhead. Welke optie voldoet het beste aan dit doel?

De juiste optie is SageMaker Autopilot. Dit is een geautomatiseerde machine learning (AutoML) service die automatisch de beste modellen bouwt, traint en afstemt voor machine learning-taken, wat resulteert in snelle lancering en minimale operationele overhead. Het pakt ook de lage nauwkeurigheid aan door geavanceerde algoritmen en feature engineering te verkennen. De andere opties zijn minder geschikt: ECS met Deep Learning Containers vereist handmatige feature engineering en modeltraining, wat meer operationele overhead en tijd kost. Een SageMaker notebook biedt flexibiliteit, maar vereist nog steeds handmatige exploratie en vergelijking, wat langer duurt dan Autopilot. Een SageMaker training job met XGBoost en Lambda voor inferentie is een goede aanpak, maar Autopilot automatiseert de XGBoost-training en modelselectie, en biedt directe implementatie naar een endpoint, wat efficiënter is voor snelle lancering en minimale overhead.