Een bedrijf moet de maandelijkse resourcebehoeften voor productieprocessen voorspellen met behulp van historische gegevens die zijn opgeslagen in een Amazon S3-bucket. Het bedrijf heeft geen ML-ervaring en wil een beheerde service voor training en voorspellingen. Welke combinatie van stappen voldoet aan deze vereisten? (Kies twee.)

De juiste antwoorden zijn het trainen van een model met Amazon SageMaker en het implementeren van een SageMaker-model met een endpoint voor inferentie. Amazon SageMaker is een volledig beheerde service die machine learning-modellen bouwt, traint en implementeert, ideaal voor bedrijven zonder uitgebreide ML-ervaring. De historische gegevens in S3 kunnen direct worden gebruikt voor training. Een SageMaker-endpoint is nodig om de getrainde modellen te gebruiken voor voorspellingen. De opties met Amazon Forecast zijn incorrect omdat Forecast specifiek is ontworpen voor tijdreeksvoorspellingen en hoewel het kan werken, is SageMaker een bredere, flexibelere oplossing voor algemene ML-taken zoals het voorspellen van resourcebehoeften, vooral wanneer er geen specifieke tijdreeksalgoritmen vereist zijn. Het configureren van een Lambda-functie is een implementatiedetail voor het aanroepen van de voorspelling, niet de kern van het trainen en implementeren van het ML-model zelf.