一家在线配送公司在 S3 中为每个城市存储了一个 XGBoost 模型，目前每个模型都托管在自己的 EC2 实例上（利用率为 5%）。他们希望 Web 应用程序能够为现有用户和新用户实时选择最快的快递员，同时最大限度地减少运营开销。哪种解决方案能够以最少的管理工作实现这一目标？

正确答案是使用SageMaker多模型端点。这种方法通过一个端点托管多个模型，显著降低了运营开销和管理复杂性。当Web应用程序需要预测时，它只需调用该多模型端点，并通过TargetModel参数指定要使用的特定城市模型，SageMaker会自动从S3加载并提供该模型。这比为每个城市维护一个单独的EC2实例或SageMaker端点更具成本效益和管理效率，并且能够实时响应。 选项A（SageMaker notebook进行批量转换）不适用于实时预测，且无法满足新用户的需求。选项C（整合到一个EC2实例）虽然减少了实例数量，但仍需手动管理EC2和模型服务器，且扩展性不如SageMaker。选项D（为每个城市创建单独的SageMaker端点）会产生大量的端点管理开销和成本，与多模型端点的优势背道而驰。