Una empresa de comercio electrónico tiene un endpoint de SageMaker factorization machines (FM) implementado para recomendaciones de productos. El equipo entrenó dos nuevos modelos (TensorFlow y PyTorch) y necesita ejecutar pruebas A/B con estas reglas de enrutamiento: enviar el 70% del tráfico al modelo FM, el 15% al modelo TensorFlow y el 15% al modelo PyTorch; pero para los clientes de Europa, enrutar todo el tráfico al modelo TensorFlow. ¿Qué arquitectura soporta este comportamiento?

La opción correcta utiliza las capacidades integradas de SageMaker para pruebas A/B y enrutamiento condicional. SageMaker permite crear múltiples variantes de producción dentro de un único endpoint, asignando pesos para distribuir el tráfico. Esto cumple con la distribución 70/15/15. Para el enrutamiento específico de clientes europeos, el encabezado TargetVariant en la solicitud de inferencia es la forma estándar de SageMaker para dirigir el tráfico a una variante específica, anulando los pesos configurados. Las opciones incorrectas que sugieren el uso de Application Load Balancers (ALB) o Network Load Balancers (NLB) son innecesariamente complejas y no aprovechan las funcionalidades de SageMaker para la gestión de modelos y pruebas A/B. SageMaker ya proporciona las herramientas para este escenario directamente en la configuración del endpoint. La opción que menciona "política de autoescalado" es incorrecta porque la autoescalado no es el mecanismo principal para el enrutamiento A/B o condicional en este contexto.