Kunden laden Bilder (mit einer Gesamtgröße von jeweils bis zu 50 MB) hoch, und ein ML-Modell generiert Textbeschreibungen. Die Bilder werden in Amazon S3 gespeichert, und die Verarbeitung muss mit minimalem Betriebsaufwand skaliert werden. Welche Architektur erfüllt diese Anforderungen am besten?

Ein Amazon SageMaker Asynchronous Inference Endpoint ist ideal für dieses Szenario, da er große Payloads (bis zu 1 GB) und lange Verarbeitungszeiten unterstützt, was für Bildverarbeitung mit ML-Modellen relevant ist. Die integrierte Autoscaling-Richtlinie sorgt für minimale betriebliche Belastung und skaliert die Ressourcen je nach Bedarf. Ein SageMaker Batch Transform Job ist für die Verarbeitung großer Datensätze in einem einzigen Durchgang konzipiert, nicht für die individuelle, ereignisgesteuerte Verarbeitung von hochgeladenen Bildern. Ein Amazon EKS-Cluster mit Karpenter erfordert einen höheren Betriebsaufwand für die Verwaltung der Infrastruktur und des Kubernetes-Clusters. AWS Batch ist zwar für Batch-Verarbeitung geeignet, aber die Einrichtung und Verwaltung für ereignisgesteuerte Einzelbildverarbeitung ist komplexer als ein SageMaker Asynchronous Endpoint.