Un ingeniero de ML necesita que las bibliotecas personalizadas de Python estén disponibles en los trabajos de procesamiento, los trabajos de entrenamiento y los pipelines de SageMaker. ¿Qué opción proporciona esa capacidad con el MENOR esfuerzo de implementación?

La opción correcta es construir una imagen de Docker personalizada y subirla a Amazon ECR. Este enfoque es el más eficiente porque permite empaquetar todas las dependencias personalizadas en un entorno reproducible y consistente. SageMaker puede utilizar directamente esta imagen de ECR para trabajos de procesamiento, entrenamiento y pipelines, asegurando que las bibliotecas estén disponibles sin esfuerzo adicional en cada ejecución. Instalar manualmente las bibliotecas dentro de los contenedores predeterminados de SageMaker no es viable ni escalable, ya que los contenedores se reinician y las instalaciones se perderían. Crear una instancia de notebook y usar una función Lambda para instalar bibliotecas es un enfoque específico para notebooks y no se extiende fácilmente a trabajos de procesamiento o pipelines de SageMaker. Ejecutar el código externamente en instancias EC2 y almacenar resultados en S3 es ineficiente y añade complejidad innecesaria, ya que SageMaker está diseñado para manejar estas cargas de trabajo de forma nativa.