Компания электронной коммерции хочет создавать и обучать модели машинного обучения (ML) для визуализации сложных сценариев и выявления тенденций в данных о клиентах. Команда архитекторов должна интегрировать модели ML с платформой отчетности, чтобы дополненные данные можно было анализировать и использовать непосредственно в панелях бизнес-аналитики. Какое решение соответствует этим требованиям с НАИМЕНЬШИМИ операционными издержками?

Amazon SageMaker — это полностью управляемый сервис для создания, обучения и развертывания моделей машинного обучения, что минимизирует операционные издержки по сравнению с ручным управлением инфраструктурой. Amazon QuickSight — это облачный сервис бизнес-аналитики, который позволяет легко создавать интерактивные панели мониторинга и визуализировать данные, включая дополненные данные из моделей ML. Вместе они обеспечивают комплексное решение с низкой операционной нагрузкой. AWS Glue ML transform подходит для простых преобразований, но не для полноценного построения и обучения сложных моделей ML. Использование предварительно созданных AMI требует управления EC2-инстансами, что увеличивает операционные издержки. QuickSight не предназначен для построения и обучения сложных моделей ML, его вычисляемые поля ограничены простыми операциями.