Uma empresa de manufatura executa um modelo SageMaker scikit-learn que rotula cada dispositivo como normal ou anômalo com base em 4 dias de telemetria. A telemetria de 4 dias de cada dispositivo é gravada como um arquivo separado no S3 a cada hora. A execução do modelo em todos os dispositivos leva 5 minutos. Qual é a maneira mais econômica de executar o modelo sobre a telemetria para todos os dispositivos?

SageMaker Batch Transform é a maneira mais econômica para este caso de uso. Ele é projetado para inferência em grandes volumes de dados que não exigem baixa latência, processando dados em lotes e desligando os recursos após a conclusão. Isso minimiza os custos, pois você paga apenas pelo tempo de processamento. SageMaker Asynchronous Inference é para inferência de baixa latência em dados de entrada grandes, o que não é o foco principal aqui, e pode ser mais caro devido à manutenção de endpoints. SageMaker Processing é para tarefas de pré-processamento, pós-processamento ou engenharia de features, não para inferência de modelo. Um endpoint multi-container do SageMaker é para inferência em tempo real e de alta disponibilidade, o que seria excessivamente caro para um trabalho que leva 5 minutos e não tem requisitos de baixa latência.