一位机器学习工程师需要在 SageMaker 处理作业、训练作业和管道中提供自定义 Python 库。哪种方案能以最少的实施工作量提供此功能？

正确答案是构建一个包含所需库的自定义 Docker 镜像，并将其推送到 Amazon ECR，然后将该 ECR 镜像用于 SageMaker 作业和管道。这种方法是 SageMaker 推荐的最佳实践，因为它提供了可重复性、版本控制和跨不同 SageMaker 作业（处理、训练、管道）的一致环境。手动安装库（选项一）在每次作业运行时都需要重复操作，效率低下且容易出错。创建 SageMaker notebook 实例（选项三）主要用于交互式开发，而不是生产作业的运行，并且通过 Lambda 安装库增加了不必要的复杂性。在 EC2 实例上外部执行（选项四）将工作负载移出 SageMaker 生态系统，失去了 SageMaker 提供的管理和优化优势，并且增加了数据传输和集成开销。