Een e-commercebedrijf wil machine learning (ML)-modellen bouwen en trainen om complexe scenario's te visualiseren en trends in klantgegevens te detecteren. Het architectuurteam moet de ML-modellen integreren met een rapportageplatform, zodat de aangevulde gegevens kunnen worden geanalyseerd en direct kunnen worden gebruikt in business intelligence-dashboards. Welke oplossing voldoet aan deze vereisten met de MINSTE operationele overhead?

De correcte optie is om Amazon SageMaker te gebruiken voor het bouwen en trainen van ML-modellen en Amazon QuickSight voor visualisatie. SageMaker is een volledig beheerde service die het hele ML-levenscyclus vereenvoudigt, wat resulteert in minimale operationele overhead. QuickSight is een serverloze BI-service die naadloos integreert met AWS-gegevensbronnen en interactieve dashboards biedt. AWS Glue ML Transforms zijn bedoeld voor het voorbereiden en transformeren van gegevens, niet voor het bouwen en trainen van complexe ML-modellen. Het gebruik van een vooraf gebouwde ML AMI vereist handmatig beheer van EC2-instances, wat de operationele overhead verhoogt. QuickSight is een BI-tool en is niet ontworpen voor het bouwen en trainen van complexe ML-modellen; de ML-mogelijkheden zijn beperkt tot eenvoudige voorspellingen binnen de tool.