Firma musi przewidywać miesięczne zapotrzebowanie na zasoby dla procesów produkcyjnych, korzystając z danych historycznych przechowywanych w zasobniku Amazon S3. Firma nie ma doświadczenia w ML i chce korzystać z usługi zarządzanej do trenowania i przewidywania. Która kombinacja kroków spełni te wymagania? (Wybierz dwie odpowiedzi.)

Firma potrzebuje zarządzanej usługi ML do trenowania i przewidywania na podstawie danych historycznych w S3. Amazon SageMaker to w pełni zarządzana usługa, która umożliwia budowanie, trenowanie i wdrażanie modeli uczenia maszynowego. Trenowanie modelu za pomocą danych z S3 (opcja "Użyj Amazon SageMaker do wytrenowania modelu, korzystając z danych historycznych w zasobniku S3") jest pierwszym krokiem. Następnie, aby model mógł generować przewidywania, należy go wdrożyć i utworzyć punkt końcowy do wnioskowania (opcja "Wdróż model Amazon SageMaker. Utwórz punkt końcowy SageMaker do wnioskowania"). Amazon Forecast jest usługą do prognozowania szeregów czasowych, ale firma nie ma doświadczenia w ML, a SageMaker oferuje szerszy zakres możliwości i kontroli nad modelem, co jest bardziej odpowiednie dla ogólnego "przewidywania zapotrzebowania". Funkcje AWS Lambda z URL funkcji są sposobem na wywołanie prognoz, ale nie są to kroki trenowania ani wdrażania modelu.