Uma empresa está desenvolvendo um aplicativo de IA baseado na web com o Amazon SageMaker que oferece experimentação de ML, treinamento, um registro central de modelos, implantação e monitoramento. Os dados de treinamento residem no Amazon S3 e devem permanecer seguros e isolados. Para gerenciar várias versões de modelos centralmente com o mínimo de sobrecarga operacional, qual abordagem eles devem usar?

O SageMaker Model Registry é a solução ideal porque foi projetado especificamente para catalogar, versionar e gerenciar modelos de ML centralmente, incluindo aprovação e implantação. Ele permite agrupar modelos relacionados (grupos de modelos) e gerenciar suas versões de forma eficiente, minimizando a sobrecarga operacional. Criar um repositório ECR separado para cada modelo (opção 1) ou usar tags ECR (opção 2) gerencia apenas as imagens de contêiner, não os metadados do modelo, o histórico de treinamento ou o status de aprovação, tornando-o inadequado para gerenciamento centralizado de modelos. A opção 4, embora mencione o Model Registry, sugere depender apenas de tags, o que não aproveita totalmente os recursos de versionamento e agrupamento do Model Registry para uma organização eficaz.