多个团队使用 Python 和 scikit-learn、TensorFlow 在本地开发了预测模型。公司必须重建这些模型，并将其集成到由 SageMaker 管理的 ML 基础设施中，然后将它们添加到模型注册表中。哪种方法能最大限度地减少运营开销？

将 Python 模型代码导入 SageMaker 并在 SageMaker 中重建模型，然后注册到模型注册表，能最大限度地减少运营开销。SageMaker 提供了托管的训练和推理环境，可以利用其内置算法和框架（如 scikit-learn 和 TensorFlow），简化了模型生命周期管理。这种方法避免了维护本地环境或复杂自定义容器的开销。将模型从笔记本电脑导出到 S3 并通过 API Gateway/Lambda 提供服务，虽然可行，但增加了额外的服务管理负担。将模型直接导入 SageMaker Model Registry 并在 SageMaker 中运行导入的模型可能无法充分利用 SageMaker 的训练和优化能力。使用 BYOC 增加了容器维护的复杂性，与最小化运营开销的目标相悖。