Sprzedawca detaliczny używa Amazon Redshift do zarządzania zapasami w czasie rzeczywistym i ma model ML wdrożony na punkcie końcowym SageMaker w czasie rzeczywistym. Firma musi generować natychmiastowe rekomendacje dotyczące zapasów, a także prognozować przyszłe zapotrzebowanie na zapasy. Które z poniższych rozwiązań zaspokoi te potrzeby? (Wybierz dwie odpowiedzi.)

Amazon Redshift ML umożliwia tworzenie, trenowanie i wdrażanie modeli uczenia maszynowego bezpośrednio z poziomu Redshift za pomocą SQL, co jest idealne do generowania rekomendacji dotyczących zapasów w czasie rzeczywistym. Wywoływanie zdalnego punktu końcowego SageMaker za pomocą SQL z Redshift pozwala na wykorzystanie istniejących modeli ML do prognozowania przyszłego zapotrzebowania na zapasy, integrując prognozy bezpośrednio z danymi magazynowymi. Pozostałe opcje są nieprawidłowe, ponieważ Amazon Redshift ML nie służy do eksportowania danych do trenowania offline, SageMaker Autopilot nie tworzy pulpitów nawigacyjnych w Redshift, a Redshift nie jest systemem przechowywania plików do archiwizacji.