你正在和 DevOps 團隊討論如何部署你的書籍推薦模型。他們對於使用 Databricks 來部署模型有所保留。長期以來，他們非常熟悉在地端（on‑prem）運算資源的傳統部署方式，但對於在雲端執行類似流程並不擅長。
以下哪一項最能總結，為什麼他們應該考慮使用 Databricks 的 Model Serving Endpoints 來託管機器學習模型？
本練習屬於課程
將理論付諸實踐，立即體驗我們的互動練習
了解雲端資料策略中的新 Lakehouse 範式，以及 Databricks Lakehouse 平台如何讓你的資料架構現代化。認識 Databricks 平台的基礎元件，以及它們如何彼此整合。
學習使用 Databricks 的功能來處理、轉換與清理你的資料。實作 Delta 儲存格式、Delta Live Tables 與 Workflows 等能力，將它們結合起來建立端到端的資料管線。
將 Databricks Lakehouse 平台作為你的資料倉儲解決方案，以支援商業智慧（BI）情境。使用 Databricks 內建、為 SQL 最佳化的功能，在你的資料上建立查詢與儀表板。
使用 Databricks 以受管的 MLFlow 管理你的機器學習管線。透過 Feature Store、Model Registry 與 Model Serving Endpoints，從端到端走過模型開發生命週期，在 Lakehouse 中打造健全的 MLOps 平台。
當前練習
