一位数据科学家需要将代码打包到一个容器中，该容器既能生成新的 scikit-learn 模型预测，又能生成基准预测，并且希望 AWS 负责容器的运维。哪种打包方法能满足此要求？

正确答案是使用代码扩展 Amazon SageMaker scikit-learn 容器，并使用该容器。这种方法允许数据科学家利用 SageMaker 预构建的 scikit-learn 容器，该容器已针对机器学习任务进行了优化，并由 AWS 管理其运维。通过扩展此容器，数据科学家可以添加自定义代码来生成新的模型预测和基准预测，而无需从头开始构建和维护整个容器环境。 将代码作为训练脚本提供给 Amazon SageMaker scikit-learn 容器主要用于模型训练，而不是部署自定义推理逻辑。构建自定义容器镜像并将其推送到 Amazon ECR 是一种选择，但它要求数据科学家承担容器的完整构建和维护责任，这与希望 AWS 负责运维的目标不符。构建自定义容器镜像并将其部署到 AWS Fargate 同样需要自行管理容器，并且 Fargate 是一种通用的容器服务，不如 SageMaker 容器专门针对机器学习推理优化。