Várias equipes desenvolveram modelos de previsão localmente usando Python com scikit-learn e TensorFlow. A empresa deve reconstruir e integrar esses modelos em uma infraestrutura de ML gerenciada com o SageMaker e adicioná-los a um registro de modelos. Qual abordagem minimiza a sobrecarga operacional?

Reconstruir os modelos dentro do SageMaker é a abordagem que minimiza a sobrecarga operacional a longo prazo. Isso porque o SageMaker oferece ambientes gerenciados e otimizados para treinamento e inferência de modelos scikit-learn e TensorFlow, garantindo compatibilidade e aproveitando os recursos da plataforma. Registrar os modelos no SageMaker Model Registry após a reconstrução permite gerenciamento de versão, aprovação e implantação simplificados. As outras opções aumentam a sobrecarga: Exportar modelos para S3 e usar API Gateway/Lambda para chamar endpoints SageMaker adiciona camadas de infraestrutura desnecessárias e complexidade. Importar modelos diretamente para o Model Registry sem reconstrução pode levar a problemas de compatibilidade ou desempenho, pois os modelos não foram otimizados para o ambiente SageMaker. Usar BYOC (bring-your-own-container) é uma opção válida para modelos muito personalizados, mas para scikit-learn e TensorFlow, que têm suporte nativo no SageMaker, é uma sobrecarga desnecessária de gerenciamento de contêineres.