Uma empresa executa fluxos de trabalho de ML em um cluster Kubernetes on-premises. Cada serviço de ML é empacotado como uma imagem Docker autônoma. Eles precisam fazer um lift and shift para um cluster Amazon EKS com o menor overhead operacional. Qual solução atende a esse requisito?

A solução correta minimiza o overhead operacional porque a empresa já utiliza imagens Docker e Kubernetes on-premises. O Amazon ECR é um registro de contêiner totalmente gerenciado que se integra perfeitamente ao Amazon EKS, permitindo que as imagens Docker existentes sejam usadas com poucas modificações. Configurar um pipeline de implantação automatiza o processo, reduzindo o esforço manual. Redesenhar para Kubeflow adicionaria complexidade e exigiria reengenharia significativa. Mover dados para o Amazon Redshift e usar o Redshift ML ou criar um notebook SageMaker e retreinar modelos são opções que implicam em uma reengenharia substancial dos fluxos de trabalho de ML e não se alinham com o objetivo de um "lift and shift" com o menor overhead.