A. 단일 사용자 또는 그룹만 지정된 인스턴스에 액세스할 수 있도록 AI Platform 노트북에 제한적인 IAM 권한을 설정합니다.

B. 각 데이터 과학자의 작업을 다른 프로젝트로 분리하여 각 데이터 과학자가 생성한 작업, 모델 및 버전이 해당 사용자만 액세스할 수 있도록 합니다.

C. 레이블을 사용하여 리소스를 설명 범주로 구성합니다. 사용자가 리소스를 보거나 모니터링할 때 레이블별로 결과를 필터링할 수 있도록 생성된 각 리소스에 레이블을 적용합니다.

D. AI Platform 리소스 사용량에 대한 정보를 캡처하기 위해 적절하게 필터링된 Cloud Logging 로그용 BigQuery 싱크를 설정합니다. BigQuery에서 사용자를 사용 중인 리소스에 매핑하는 SQL 보기를 만듭니다.

A. 전처리된 데이터에 대해 학습한 모델의 정확도 검증
* 원시 데이터를 사용하고 실시간으로 사용할 수 있는 새 모델 생성
* 온라인 예측을 위해 새 모델을 Al Platform에 배포

B. 수신 예측 요청을 Pub/Sub 주제로 보냅니다.
* Dataflow 작업을 사용하여 수신 데이터 변환
* 변환된 데이터를 사용하여 Al Platform에 예측 요청 제출
* 아웃바운드 Pub/Sub 대기열에 예측 쓰기

C. 수신 예측 요청 데이터를 Cloud Spanner로 스트리밍
* 전처리 논리를 추상화하는 보기를 만듭니다.
* 새 레코드에 대한 뷰 쿼리
* 변환된 데이터를 사용하여 Al Platform에 예측 요청 제출
* 아웃바운드 Pub/Sub 대기열에 예측을 씁니다.

D. 수신 예측 요청을 Pub/Sub 주제로 보냅니다.
* 메시지가 Pub/Sub 주제에 게시될 때 트리거되는 Cloud 함수를 설정합니다.
* Cloud Function에서 사전 처리 로직 구현
* 변환된 데이터를 사용하여 Al Platform에 예측 요청 제출
* 아웃바운드 Pub/Sub 대기열에 예측 쓰기

A. Amazon EMR에서 Apache Spark ML로 콘텐츠 기반 필터링 추천 엔진 구축

B. Amazon EMR에서 Apache Spark ML을 사용하여 협업 필터링 추천 엔진을 구축합니다.

C. Amazon EMR에서 Apache Spark ML로 모델 기반 필터링 추천 엔진 구축

D. Amazon EMR에서 Apache Spark ML을 사용하여 조합 필터링 추천 엔진 구축

A. Amazon EC2 인스턴스에서 Apache Kafka Streams를 사용하여 .CSV 데이터를 수집하고 Kafka Connect S3를 사용하여 데이터를 Parquet으로 직렬화

B. Amazon Kinesis Data Streams에서 .CSV 데이터를 수집하고 Amazon Glue를 사용하여 데이터를 Parquet으로 변환합니다.

C. Amazon EMR 클러스터에서 Apache Spark Structured Streaming을 사용하여 .CSV 데이터를 수집하고 Apache Spark를 사용하여 데이터를 Parquet으로 변환합니다.

D. Amazon Kinesis Data Streams에서 .CSV 데이터를 수집하고 Amazon Kinesis Data Firehose를 사용하여 데이터를 Parquet으로 변환합니다.

A. 모델이 추세나 계절성을 잘 예측하지 못합니다.

B. 모델은 추세를 잘 예측하지만 계절성은 예측하지 못합니다.

C. 모델은 계절성을 잘 예측하지만 추세는 예측하지 못합니다.

D. 추세와 계절성을 모두 잘 예측하는 모델