Ein Fertigungsunternehmen betreibt ein SageMaker scikit-learn-Modell, das jedes Gerät basierend auf Telemetriedaten von 4 Tagen als normal oder anomal kennzeichnet. Die 4-Tages-Telemetriedaten jedes Geräts werden stündlich als separate Datei nach S3 geschrieben. Das Ausführen des Modells für alle Geräte dauert 5 Minuten. Welches ist der kostengünstigste Weg, das Modell über die Telemetriedaten für alle Geräte auszuführen?

SageMaker Batch Transform ist die kostengünstigste Lösung, da es für die Verarbeitung großer Datenmengen in einem Rutsch optimiert ist und keine persistenten Endpunkte erfordert, was die Kosten senkt. Die stündliche Datenlieferung und die 5-minütige Laufzeit des Modells für alle Geräte passen gut zu einem Batch-Ansatz. SageMaker Asynchronous Inference ist für Anfragen mit langer Latenz oder großer Nutzlast gedacht, aber es handelt sich immer noch um einen persistenten Endpunkt, der teurer ist als Batch Transform. SageMaker Processing ist für die Datenvorverarbeitung oder Modellbewertung gedacht, nicht für die Inferenz selbst. Ein SageMaker Multi-Container-Endpunkt ist für Echtzeit-Inferenz mit mehreren Modellen konzipiert und wäre für diesen Anwendungsfall überdimensioniert und zu teuer.