Zespół analityków danych przechowuje tabelaryczny zbiór danych w Amazon S3. Zespół chce wypróbować różne transformacje cech (na przykład kodowanie kategoryczne), zwizualizować wynikowe rozkłady, a następnie zautomatyzować wybrany przepływ pracy przetwarzania cech. Które rozwiązanie zapewnia największą efektywność operacyjną?

Amazon SageMaker Data Wrangler jest zaprojektowany do eksploracji i przygotowywania danych, oferując wstępnie skonfigurowane transformacje i wizualizacje, co znacznie zwiększa efektywność operacyjną. Możliwość eksportowania całego przepływu przetwarzania do SageMaker Pipeline automatyzuje proces, minimalizując ręczną pracę i błędy. Inne opcje wymagają większego nakładu pracy na kodowanie, integrację wielu usług i zarządzanie, co obniża efektywność operacyjną. Na przykład, użycie instancji notebooka SageMaker lub AWS Glue Studio wymaga ręcznego tworzenia i zarządzania kodem transformacji. Wykorzystanie AWS Lambda do automatyzacji wielu transformacji może być złożone i trudne do zarządzania, w przeciwieństwie do zintegrowanego rozwiązania oferowanego przez Data Wrangler i SageMaker Pipelines.