Все необработанные данные для проекта машинного обучения хранятся в Amazon S3. Инженер машинного обучения должен создать конвейеры приема данных и конвейеры развертывания моделей в AWS. Какую комбинацию сервисов следует использовать инженеру?

Правильный ответ — AWS Glue для конвейеров приема данных и Amazon SageMaker Studio Classic для конвейеров развертывания моделей. AWS Glue — это бессерверный сервис извлечения, преобразования и загрузки (ETL), который идеально подходит для подготовки и преобразования необработанных данных из Amazon S3 для машинного обучения. Он может создавать конвейеры приема данных, которые очищают, нормализуют и подготавливают данные. Amazon SageMaker Studio Classic предоставляет комплексную среду для разработки, обучения, развертывания и управления моделями машинного обучения, что делает его подходящим для конвейеров развертывания моделей. Amazon Kinesis Data Firehose предназначен для потоковой передачи данных в реальном времени, а не для пакетной обработки необработанных данных из S3. Amazon Redshift ML предназначен для создания, обучения и развертывания моделей машинного обучения непосредственно в Amazon Redshift, а не для общего приема данных из S3. Amazon Athena — это интерактивный сервис запросов, который позволяет анализировать данные в S3 с помощью стандартного SQL, но он не является сервисом ETL для преобразования данных. Ноутбук Amazon SageMaker — это лишь один из компонентов SageMaker, а Studio Classic предлагает более полную среду для развертывания моделей.