Mehrere Teams haben Vorhersagemodelle lokal mit Python unter Verwendung von scikit-learn und TensorFlow entwickelt. Das Unternehmen muss diese Modelle neu erstellen und in eine mit SageMaker verwaltete ML-Infrastruktur integrieren und sie einem Modellregister hinzufügen. Welcher Ansatz minimiert den Betriebsaufwand?

Der korrekte Ansatz minimiert den Betriebsaufwand, indem er die Modelle direkt in SageMaker neu erstellt. Dies nutzt die verwalteten Services von SageMaker für Training, Bereitstellung und Modellmanagement, was die Wartung und Skalierung vereinfacht. Die Neuentwicklung in SageMaker gewährleistet Kompatibilität mit der Plattform und ermöglicht die Nutzung von SageMaker-Funktionen wie automatischem Modell-Tuning und Monitoring. Die Option, Modelle von Laptops in S3 zu exportieren und über API Gateway/Lambda bereitzustellen, erfordert zusätzlichen Entwicklungs- und Wartungsaufwand für die API-Schicht und die Lambda-Funktionen. Das direkte Importieren von Modellen in das SageMaker Model Registry ist nicht ausreichend, da die Modelle möglicherweise nicht für die Ausführung in der SageMaker-Umgebung optimiert oder konfiguriert sind. Die BYOC-Option (Bring-your-own-container) ist zwar flexibel, erhöht aber den Betriebsaufwand durch die Notwendigkeit, Container zu erstellen und zu warten.