Un equipo entrenó una CNN en Amazon SageMaker con GPU y la implementará en un endpoint de SageMaker para la identificación de imágenes minerales en tiempo real. Ya conocen el patrón de tráfico esperado y necesitan elegir el mejor tipo de instancia y configuración. ¿Qué enfoque requiere el menor esfuerzo de desarrollo para elegir la configuración de instancia correcta?

La opción correcta es ejecutar el tipo de trabajo avanzado de SageMaker Inference Recommender. Inference Recommender está diseñado específicamente para ayudar a los usuarios a seleccionar la instancia y la configuración de punto final óptimas para la implementación del modelo, minimizando el esfuerzo de desarrollo. El modo "avanzado" permite proporcionar patrones de tráfico conocidos, lo cual es crucial para este escenario. Registrar el modelo y el contenedor en SageMaker Model Registry es un paso previo necesario para usar Inference Recommender. Las otras opciones son incorrectas porque: El tipo de trabajo predeterminado de Inference Recommender no permite especificar patrones de tráfico conocidos, lo que lo hace menos preciso para este caso de uso. Implementar en instancias de CPU o GPU y usar Lambda/API Gateway con herramientas de código abierto para pruebas de carga requiere un esfuerzo de desarrollo significativamente mayor para configurar y ejecutar las pruebas, y no aprovecha las capacidades automatizadas de SageMaker Inference Recommender.