Un científico de datos necesita empaquetar código en un contenedor que produzca tanto una nueva predicción del modelo scikit-learn como una predicción de referencia, y quiere que AWS se encargue del mantenimiento operativo del contenedor. ¿Qué enfoque de empaquetado satisface este requisito?

Extender el contenedor scikit-learn de Amazon SageMaker es la opción más eficiente. SageMaker proporciona contenedores preconstruidos para frameworks populares como scikit-learn, que ya incluyen las dependencias necesarias y la integración con SageMaker. Al extender este contenedor, el científico de datos puede añadir su código personalizado (para la predicción de referencia y la nueva predicción) sin tener que construir y mantener una imagen de contenedor desde cero, lo que reduce la sobrecarga operativa. Las otras opciones son menos óptimas: Proporcionar el código como script de entrenamiento dentro del contenedor scikit-learn de Amazon SageMaker es para la fase de entrenamiento, no para la inferencia de un modelo ya entrenado. Construir una imagen de contenedor personalizada y subirla a Amazon ECR es posible, pero implica más trabajo de mantenimiento y configuración que extender un contenedor existente de SageMaker. Construir una imagen de contenedor personalizada y desplegarla en AWS Fargate es una opción de despliegue general para contenedores, pero no aprovecha las capacidades específicas de SageMaker para el despliegue de modelos y el mantenimiento operativo de contenedores de inferencia.