Uma empresa precisa executar inferência em conjuntos de dados arquivados que têm vários gigabytes de tamanho. Os resultados não precisam estar disponíveis imediatamente. Qual opção de inferência do Amazon SageMaker se encaixa nesse cenário?

Batch Transform é a opção ideal para este cenário porque foi projetado para processar grandes volumes de dados de forma assíncrona, sem a necessidade de uma resposta imediata. Ele pode lidar com conjuntos de dados de vários gigabytes eficientemente, processando-os em lotes. As outras opções não são as mais adequadas: Real-time inference: Requer respostas imediatas e é mais caro para grandes volumes de dados, além de não ser necessário aqui. Serverless inference: Embora seja flexível, é mais voltado para cargas de trabalho intermitentes e não é otimizado para o processamento de gigabytes de dados de uma só vez como o Batch Transform. Asynchronous inference: É para casos onde a latência é alta, mas a resposta ainda é esperada em um tempo razoável. Para conjuntos de dados arquivados e sem urgência, Batch Transform é mais eficiente e econômico.