Bir e-ticaret şirketi, karmaşık senaryoları görselleştirmek ve müşteri verilerindeki eğilimleri tespit etmek için makine öğrenimi (ML) modelleri oluşturmak ve eğitmek istiyor. Mimari ekibi, artırılmış verilerin analiz edilebilmesi ve doğrudan iş zekası panolarında kullanılabilmesi için ML modellerini bir raporlama platformuyla entegre etmelidir. Bu gereksinimleri EN AZ operasyonel yük ile karşılayan çözüm hangisidir?

Doğru cevap, ML modellerini oluşturmak ve eğitmek için Amazon SageMaker'ı, verileri görselleştirmek için ise Amazon QuickSight'ı kullanmaktır. SageMaker, ML modelleri geliştirmek, eğitmek ve dağıtmak için tam olarak yönetilen bir hizmettir ve karmaşık senaryolar ve eğilim tespiti için idealdir. QuickSight ise iş zekası panoları oluşturmak ve artırılmış verileri analiz etmek için kullanılabilen, tamamen yönetilen bir görselleştirme hizmetidir. Bu kombinasyon, en az operasyonel yük ile entegre bir çözüm sunar. Diğer seçenekler neden yanlış: AWS Glue, veri entegrasyonu ve ETL (Ayıklama, Dönüştürme, Yükleme) işlemleri için tasarlanmıştır, ML modeli oluşturma ve eğitme için birincil araç değildir. Amazon OpenSearch Service ise log analizi ve arama için daha uygundur, genel iş zekası panoları için QuickSight kadar kapsamlı değildir. AWS Marketplace'ten önceden oluşturulmuş bir ML AMI kullanmak, yönetilmesi gereken EC2 örnekleri anlamına gelir ve bu da operasyonel yükü artırır. Ayrıca, OpenSearch Service yine genel iş zekası panoları için en iyi seçenek değildir. Amazon QuickSight, temel hesaplanan alanlar sunsa da, karmaşık ML modelleri oluşturmak ve eğitmek için tasarlanmamıştır. Bu yetenekleri sınırlıdır ve SageMaker'ın sunduğu esnekliği ve gücü sağlamaz.