某公司希望當使用者從不尋常的位置存取網站時，提示他們進行額外驗證。他們擁有數 TB 的網路日誌，其中包含來源 IP，以及已驗證請求的登入名稱。您應該使用哪種方法來建立基於機器學習的決策，以標記何時需要額外資訊？

正確答案是使用 Amazon SageMaker 建立一個使用 IP Insights 演算法的模型，並安排每晚使用新的日誌資料進行更新和重新訓練。IP Insights 演算法專為識別與特定使用者相關的異常 IP 位址模式而設計，非常適合此情境中的異常登入檢測。它能從大量日誌資料中學習使用者與 IP 位址之間的關係，並標記出不尋常的存取。每晚更新和重新訓練模型確保其能適應新的資料和不斷演變的威脅模式。 其他選項不適合的原因： 使用 SageMaker Ground Truth 標記資料並訓練二元分類器（如 factorization machines 或 IP Insights）是錯誤的。Ground Truth 用於資料標記，但此問題的目標是識別「不尋常」的存取，這是一個異常檢測問題，而非簡單的成功/失敗二元分類。Factorization machines 雖然是推薦系統中常用的演算法，但它不直接適用於 IP 異常檢測。 Object2Vec 演算法用於學習實體的低維度嵌入，適用於推薦、分類等任務，但它不是為 IP 異常檢測這種特定情境設計的最佳選擇。