Firma posiada historyczne dane dotyczące nieruchomości w formacie CSV na S3, zawierające nagłówki, pola kategoryczne i brakujące wartości. Naukowcy danych uzupełnili brakujące wartości zerami, usunęli pola kategoryczne i wytrenowali domyślny model regresji liniowej typu open-source; dokładność przewidywań wynosi poniżej 50%. Chcą poprawić wydajność modelu i szybko uruchomić rozwiązanie przy minimalnym nakładzie operacyjnym. Która opcja najlepiej spełnia ten cel?

SageMaker Autopilot to najlepsze rozwiązanie, ponieważ automatyzuje inżynierię cech, wybór algorytmów i strojenie hiperparametrów, co jest kluczowe dla poprawy dokładności modelu. Minimalizuje to wysiłek operacyjny i przyspiesza wdrożenie. Obecna dokładność poniżej 50% wskazuje na potrzebę lepszej inżynierii cech i wyboru modelu. Pozostałe opcje są mniej optymalne: ECS z AWS Deep Learning Containers wymaga ręcznego kodowania inżynierii cech i trenowania, co jest czasochłonne i wymaga większego wysiłku operacyjnego. Notebook SageMaker wymaga interaktywnej eksploracji, co jest mniej zautomatyzowane niż Autopilot i może wydłużyć czas do wdrożenia. Wbudowany model XGBoost w SageMaker to dobra opcja, ale Autopilot automatyzuje również inżynierię cech i porównuje wiele modeli, co jest bardziej kompleksowe i efektywne dla szybkiego uzyskania najlepszego rozwiązania.