Uma equipe treinou uma CNN no Amazon SageMaker com GPUs e irá implantá-la em um endpoint do SageMaker para identificação de imagens de minerais em tempo real. Eles já conhecem o padrão de tráfego esperado e precisam escolher o melhor tipo e configuração de instância. Qual abordagem exige o menor esforço de desenvolvimento para escolher a configuração de instância correta?

A opção correta é usar o SageMaker Inference Recommender Advanced porque ele é projetado para otimizar a seleção de instâncias para inferência, incluindo testes de carga com padrões de tráfego conhecidos. O tipo "Advanced" permite especificar padrões de tráfego, o que é crucial para este cenário de identificação de minerais em tempo real. O "Default" Inference Recommender é mais básico e pode não considerar o padrão de tráfego específico, levando a uma seleção menos otimizada. Implementar testes de carga manuais com Lambda e API Gateway (nas opções incorretas) exigiria um esforço de desenvolvimento significativamente maior e não aproveitaria a automação e otimização do SageMaker Inference Recommender. Além disso, a CNN foi treinada com GPUs, tornando a implantação em instâncias de CPU (uma das opções incorretas) ineficiente e inadequada para o desempenho esperado.