Una empresa de fabricación ejecuta un modelo de SageMaker scikit-learn que etiqueta cada dispositivo como normal o anómalo basándose en 4 días de telemetría. La telemetría de 4 días de cada dispositivo se escribe como un archivo separado en S3 cada hora. Ejecutar el modelo en todos los dispositivos lleva 5 minutos. ¿Cuál es la forma más rentable de ejecutar el modelo sobre la telemetría de todos los dispositivos?

SageMaker Batch Transform es la opción más rentable para este caso de uso porque está diseñado para procesar grandes volúmenes de datos de forma asíncrona, sin necesidad de un endpoint persistente. Los datos se procesan en lotes, lo que optimiza el uso de recursos y reduce costos. SageMaker Asynchronous Inference no es ideal porque está diseñado para inferencia de baja latencia con colas de solicitudes, no para procesamiento masivo de datos existentes. SageMaker Processing podría usarse, pero Batch Transform está específicamente optimizado para inferencia en lotes, lo que lo hace más eficiente y rentable para este propósito. Un SageMaker multi-container endpoint mantendría recursos aprovisionados continuamente, lo cual es costoso para un trabajo que se ejecuta solo cada hora.