一家電子商務公司想要建立和訓練機器學習 (ML) 模型，以視覺化複雜情境並偵測客戶資料中的趨勢。架構團隊必須將 ML 模型與報告平台整合，以便在商業智慧儀表板中直接分析和使用增強的資料。哪種解決方案能以最少的營運開銷滿足這些要求？

此解決方案利用 Amazon SageMaker 進行機器學習模型的建立和訓練，它提供全託管服務，支援從資料準備、模型訓練到部署的整個 ML 工作流程，大幅減少營運開銷。Amazon QuickSight 則是一個雲端原生商業智慧服務，能夠輕鬆整合 SageMaker 輸出的增強資料，並透過互動式儀表板進行視覺化和分析，滿足報告平台的需求。 其他選項的不足之處： AWS Glue 的 ML transform 主要用於資料清理和轉換，而非建立和訓練複雜的 ML 模型。 使用預先建置的 ML AMI 雖然可以快速啟動，但通常需要手動管理底層 EC2 實例，增加了營運負擔，且不一定能完全滿足自訂模型訓練的需求。 Amazon QuickSight 的計算欄位功能主要用於資料探索和簡單的資料轉換，無法支援複雜的機器學習模型建立和訓練。