Ein Data Scientist muss Code in einem Container verpacken, der sowohl eine neue scikit-learn-Modellprognose als auch eine Benchmark-Prognose erstellt, und möchte, dass AWS die operative Wartung des Containers übernimmt. Welcher Packaging-Ansatz erfüllt diese Anforderung?

Das Erweitern des Amazon SageMaker scikit-learn-Containers ist die beste Lösung, da es die Vorteile eines verwalteten SageMaker-Containers nutzt und gleichzeitig die Flexibilität bietet, benutzerdefinierten Code für die neue Modellprognose und die Benchmark-Prognose hinzuzufügen. SageMaker übernimmt die operative Wartung des Basiscontainers. Das Bereitstellen des Codes als Trainingsskript im SageMaker scikit-learn-Container ist nicht ideal, da Trainingsskripte primär für das Training gedacht sind und die Anforderungen für die Bereitstellung von zwei Prognosen in einem Container nicht vollständig abdecken. Das Erstellen eines benutzerdefinierten Container-Images und das Hochladen in Amazon ECR ist eine Option, erfordert aber, dass der Data Scientist die gesamte operative Wartung des Containers selbst übernimmt, was gegen die Anforderung verstößt, dass AWS die Wartung übernimmt. Das Erstellen eines benutzerdefinierten Container-Images und das Bereitstellen in AWS Fargate bietet zwar eine verwaltete Container-Ausführung, aber der Data Scientist müsste immer noch das Basis-Image und alle Abhängigkeiten von Grund auf neu erstellen und warten, anstatt einen verwalteten SageMaker-Container zu erweitern.