Bir veri bilimi ekibi, sekmeli bir veri kümesini Amazon S3'te depoluyor. Ekip, çeşitli özellik dönüşümlerini (örneğin, kategorik kodlama) denemek, ortaya çıkan dağılımları görselleştirmek ve ardından seçilen özellik işleme iş akışını otomatikleştirmek istiyor. Hangi çözüm en yüksek operasyonel verimliliği sağlar?

En yüksek operasyonel verimlilik için SageMaker Data Wrangler, özellik dönüşümlerini keşfetmek ve görselleştirmek için önceden yapılandırılmış dönüşümler ve şablonlar sunar. Bu, manuel kodlamaya kıyasla geliştirme süresini önemli ölçüde azaltır. Ardından, Data Wrangler akışını doğrudan bir SageMaker Pipeline'a aktarmak, özellik mühendisliği adımlarını model eğitimi ve dağıtımı ile sorunsuz bir şekilde entegre ederek otomasyonu basitleştirir. Diğer seçenekler, SageMaker notebook instance veya AWS Glue Studio gibi araçlarla manuel kodlama gerektirir, bu da daha fazla geliştirme çabası demektir. Ayrıca, QuickSight genellikle iş zekası (BI) için kullanılırken, Data Wrangler'ın yerleşik görselleştirmeleri özellik mühendisliği bağlamında daha verimlidir. Lambda fonksiyonları ve Step Functions ile otomasyon, SageMaker Pipelines'ın sağladığı entegre ML iş akışı otomasyonuna kıyasla daha fazla yönetim yükü getirir.