您需要托管一个训练好的模型，该模型在一天中会收到不均匀的请求速率。托管必须能够扩展以满足高峰需求，同时在空闲时将成本降至最低。哪种托管方法符合这些限制？

正确答案是“将模型部署到 Amazon SageMaker 端点，并根据 Amazon CloudWatch 指标配置 SageMaker 端点自动扩展策略以动态调整实例数量”。Amazon SageMaker 端点支持自动扩展，可以根据 CloudWatch 指标（如模型调用数或CPU利用率）动态调整实例数量。这使得它能够在请求高峰时扩展以满足需求，并在空闲时缩减以降低成本，完美符合题目要求。 选项A（AWS Lambda）虽然可以自动扩展，但Lambda函数有内存和执行时间限制，可能不适合大型或复杂的机器学习模型。 选项B（AWS Fargate 上的 Amazon ECS）如果运行静态任务数量，则无法在空闲时缩减成本，并且在高峰时可能无法有效扩展。 选项C（Application Load Balancer 后托管多个副本）虽然提供了负载均衡，但如果没有自动扩展机制，它也无法动态调整实例数量以优化成本和性能。