Um engenheiro de ML precisa que bibliotecas Python personalizadas estejam disponíveis em trabalhos de processamento, trabalhos de treinamento e pipelines do SageMaker. Qual opção oferece essa capacidade com o MENOR esforço de implementação?

Construir uma imagem Docker personalizada e enviá-la para o Amazon ECR é a solução mais eficiente. Isso permite empacotar todas as dependências personalizadas junto com o ambiente de execução, garantindo consistência e reprodutibilidade em todos os trabalhos (processamento, treinamento e pipelines). O SageMaker pode então usar essa imagem diretamente, minimizando o esforço de implementação. Instalar manualmente as bibliotecas dentro dos contêineres padrão do SageMaker é inviável, pois os contêineres são efêmeros e as instalações não persistiriam entre as execuções. Criar uma instância de notebook e usar uma função Lambda é uma abordagem complexa e não escalável para gerenciar dependências em múltiplos tipos de trabalhos. Executar o código externamente em instâncias EC2 e armazenar saídas no S3 introduz latência, complexidade de gerenciamento de dados e não integra as bibliotecas diretamente nos ambientes de execução do SageMaker, sendo ineficiente para este caso.