EdgeAI construye un modelo de visión artificial que debe implementar en una flota de dispositivos edge heterogéneos (Raspberry Pi 3, NVIDIA Jetson TX2 y gateways Linux arm64). Quieren maximizar el rendimiento de la inferencia y reducir el uso de memoria. ¿Qué afirmación sobre el uso de la compilación de SageMaker Neo es más precisa para este escenario?

La opción correcta describe con precisión la funcionalidad de SageMaker Neo. Neo está diseñado para optimizar modelos de aprendizaje automático para implementaciones en el borde, lo que incluye la compilación específica para diferentes arquitecturas de hardware y sistemas operativos. Al compilar para cada plataforma de destino (raspberrypi3, jetsontx2, linuxaarch64), Neo aplica optimizaciones de grafo y, opcionalmente, cuantificación, lo que resulta en un rendimiento de inferencia mejorado y un menor uso de memoria. La segunda opción es incorrecta porque Neo no produce un binario universal; la optimización es específica de la plataforma. La tercera opción es incorrecta porque Neo admite una amplia gama de dispositivos de borde, no solo Inferentia o instancias de GPU. La cuarta opción es incorrecta porque Neo admite múltiples marcos, incluidos TensorFlow y PyTorch.