Um cientista de dados precisa empacotar código em um contêiner que produz tanto uma nova previsão de modelo scikit-learn quanto uma previsão de benchmark, e quer que a AWS lide com a manutenção operacional do contêiner. Qual abordagem de empacotamento satisfaz esse requisito?

A opção correta é estender o contêiner scikit-learn do Amazon SageMaker com o código e usar esse contêiner. O SageMaker fornece contêineres pré-construídos para frameworks populares como o scikit-learn, que já incluem as dependências necessárias e a lógica de execução. Estender esse contêiner permite adicionar o código específico para gerar a previsão do modelo e a previsão de benchmark, aproveitando a manutenção operacional do contêiner base pelo SageMaker. Fornecer o código como script de treinamento dentro do contêiner scikit-learn do SageMaker não é o ideal, pois o objetivo é empacotar o código para inferência (previsão), não treinamento. Construir uma imagem de contêiner personalizada e enviá-la para o Amazon ECR é uma opção válida, mas não aproveita a manutenção operacional do SageMaker para o contêiner base, exigindo que o cientista de dados gerencie todas as dependências e atualizações. Implantar uma imagem personalizada no AWS Fargate é para execução de contêineres em geral, não especificamente para inferência de modelos no SageMaker, e também não aproveita os contêineres gerenciados do SageMaker.