Bir ML projesi için tüm ham veriler Amazon S3'te depolanır. Bir ML mühendisi, AWS üzerinde veri alım işlem hatları ve model dağıtım işlem hatları oluşturmalıdır. Mühendis hangi hizmet kombinasyonunu kullanmalıdır?

Doğru cevap, veri alım işlem hatları için AWS Glue'yu ve model dağıtım işlem hatları için Amazon SageMaker Studio Classic'i kullanmaktır. AWS Glue, çeşitli veri kaynaklarından veri ayıklama, dönüştürme ve yükleme (ETL) işleri oluşturmak için sunucusuz bir veri entegrasyon hizmetidir. Bu, ham verileri S3'ten alıp işlemek için idealdir. Amazon SageMaker Studio Classic ise, model geliştirme, eğitim ve dağıtım dahil olmak üzere tüm ML iş akışını yönetmek için kapsamlı bir web tabanlı IDE sağlar. Bu kombinasyon, hem veri alımını hem de model dağıtımını verimli bir şekilde yönetmek için güçlü bir çözümdür. Diğer seçenekler neden yanlış: Amazon Kinesis Data Firehose, gerçek zamanlı akış verilerini yakalamak ve yüklemek için kullanılır, ham verilerin S3'te depolandığı bu senaryo için uygun değildir. Amazon Redshift ML, Redshift'teki verilerle ML modelleri oluşturmak için kullanılır, veri alımını yönetmek için birincil bir hizmet değildir. Amazon Athena, S3'teki verileri sorgulamak için kullanılır, ancak veri alım işlem hatları oluşturmak için bir ETL aracı değildir. Amazon SageMaker notebook'u, Studio Classic'e kıyasla daha az entegre bir ortam sunar.