Wszystkie surowe dane dla projektu ML są przechowywane w Amazon S3. Inżynier ML musi zbudować potoki pozyskiwania danych i potoki wdrażania modeli w AWS. Jakiej kombinacji usług powinien użyć inżynier?

Prawidłowa odpowiedź to AWS Glue i Amazon SageMaker Studio Classic. AWS Glue to usługa ETL (Extract, Transform, Load) bezserwerowa, idealna do budowania potoków pozyskiwania danych, ponieważ może przetwarzać dane z S3, transformować je i ładować do docelowego miejsca. Amazon SageMaker Studio Classic to zintegrowane środowisko programistyczne (IDE) dla uczenia maszynowego, które umożliwia tworzenie, trenowanie i wdrażanie modeli, w tym budowanie potoków wdrażania modeli. Amazon Kinesis Data Firehose jest przeznaczony do strumieniowego przesyłania danych w czasie rzeczywistym, co nie jest głównym celem pozyskiwania danych wsadowych z S3. Amazon Redshift ML służy do tworzenia, trenowania i wdrażania modeli ML bezpośrednio w Amazon Redshift, a nie do ogólnego pozyskiwania danych. Amazon Athena to interaktywna usługa zapytań, która umożliwia analizowanie danych w S3 za pomocą standardowego SQL, ale nie jest przeznaczona do budowania kompleksowych potoków ETL. Notebook Amazon SageMaker jest częścią SageMaker, ale Studio Classic oferuje bardziej kompleksowe środowisko do zarządzania całym cyklem życia ML, w tym potokami wdrażania.