一个团队使用 GPU 在 Amazon SageMaker 上训练了一个 CNN 模型，并计划将其部署到 SageMaker 端点以进行实时矿物图像识别。他们已经了解预期的流量模式，需要选择最佳的实例类型和配置。哪种方法所需的开发工作量最少，能够选择正确的实例配置？

正确答案是运行 SageMaker Inference Recommender Advanced 作业类型。SageMaker Inference Recommender 旨在通过自动化负载测试和性能指标分析来帮助选择最佳的实例类型和配置。Advanced 作业类型允许用户提供自定义的流量模式，这与团队已知的预期流量模式相符，从而提供更准确的推荐。它还会评估多个模型变体和实例类型，以找到最佳的性价比组合，最大限度地减少手动开发工作。 运行 SageMaker Inference Recommender Default 作业类型是错误的，因为它使用预设的流量模式进行负载测试，而不是团队已知的特定流量模式，可能导致推荐不够精确。 将模型部署到 GPU 或 CPU 实例并使用开源工具进行负载测试是错误的，因为这需要大量的手动开发工作来设置负载测试环境、编写测试脚本、收集和分析性能指标，这与“最少开发工作量”的要求相悖。此外，手动测试可能无法像 Inference Recommender 那样全面地探索所有可能的实例类型和配置组合。