一家制造公司运行一个 SageMaker scikit-learn 模型，该模型根据 4 天的遥测数据将每个设备标记为正常或异常。每个设备的 4 天遥测数据每小时作为一个单独的文件写入 S3。对所有设备运行该模型需要 5 分钟。以最具成本效益的方式对所有设备的遥测数据运行该模型的最佳方法是什么？

SageMaker Batch Transform 是处理大量数据并生成预测结果的最具成本效益的方法，尤其适用于不需要实时响应的场景。它能高效地处理存储在 S3 中的文件，非常适合本案例中每天对所有设备数据进行批量预测的需求。 SageMaker Asynchronous Inference 适用于大型有效负载或需要长时间处理的请求，但它仍然是基于端点的实时服务，成本高于批量转换。SageMaker Processing 主要用于数据预处理、特征工程或模型评估，而不是直接用于模型推理。SageMaker multi-container endpoint 适用于需要多个模型或自定义逻辑协同工作的实时推理场景，但其成本和复杂性远高于简单的批量预测。