Você tem um script de treinamento TensorFlow (train.py) existente que lê dados de treinamento estáticos armazenados como arquivos TFRecord. Você precisa de uma solução de armazenamento escalável para treinamento no Amazon SageMaker com a menor quantidade de alterações de código. Qual abordagem minimiza o esforço de desenvolvimento?

A opção correta é usar o modo de script do SageMaker e carregar os arquivos TFRecord para um bucket do Amazon S3. O SageMaker pode montar buckets S3 diretamente nos contêineres de treinamento, permitindo que o script train.py acesse os dados como se estivessem em um sistema de arquivos local, sem a necessidade de modificações no código de treinamento. Isso minimiza o esforço de desenvolvimento. A opção de apontar para um caminho de sistema de arquivos local não é escalável nem prática para o SageMaker, que executa o treinamento em instâncias efêmeras. Modificar o train.py para converter para protobuf ou reformatar os dados com AWS Glue/Lambda introduz complexidade e esforço de desenvolvimento desnecessários, pois o SageMaker já suporta TFRecord via S3.