Firma produkcyjna przechowuje dane o wolumenie produkcji z zeszłego roku w bazie danych PostgreSQL. Analitycy biznesowi (którzy nie piszą kodu) muszą mieć możliwość przygotowania danych i zbudowania modelu do prognozowania przyszłego wolumenu produkcji. Które kompleksowe rozwiązanie wymaga najmniejszego wysiłku i nie wymaga kodowania?

Poprawna odpowiedź to użycie AWS Glue DataBrew do połączenia się z bazą danych PostgreSQL i przygotowania danych, a następnie Amazon SageMaker Canvas do budowania modeli i prognozowania. To rozwiązanie jest najbardziej odpowiednie, ponieważ DataBrew umożliwia wizualne przygotowanie danych bez kodowania, a SageMaker Canvas pozwala analitykom biznesowym (którzy nie piszą kodu) budować modele ML i generować prognozy za pomocą interfejsu wizualnego. Pozostałe opcje są mniej optymalne: Użycie Amazon EMR wymaga kodowania (np. Spark) do przygotowania danych, co jest niezgodne z wymaganiem braku kodowania. Użycie AWS Glue do przygotowania danych również wymaga kodowania (np. PySpark lub Scala). Użycie Amazon SageMaker Studio, choć potężne, jest skierowane do specjalistów ML i wymaga kodowania do budowania modeli, co nie pasuje do profilu analityków biznesowych.