Una empresa debe implementar un modelo de clasificación entrenado a medida en AWS para proporcionar predicciones casi en tiempo real y de baja latencia, y para manejar volúmenes de solicitudes variables. ¿Qué opción de implementación cumple con estos requisitos?

La opción correcta es implementar el modelo como un endpoint en tiempo real de Amazon SageMaker y configurar el auto scaling. SageMaker Endpoints están diseñados específicamente para servir modelos de machine learning con baja latencia y alta disponibilidad, lo cual es crucial para predicciones casi en tiempo real. El auto scaling gestiona automáticamente los volúmenes de solicitudes variables, ajustando la capacidad según la demanda. Las otras opciones son menos adecuadas: Un trabajo de transformación por lotes de SageMaker es para inferencia asíncrona en grandes conjuntos de datos, no para predicciones casi en tiempo real. Poner el modelo detrás de API Gateway con archivos en S3 requeriría una implementación personalizada compleja para la inferencia, sin las optimizaciones integradas de SageMaker para el hosting de modelos. Lanzar instancias EC2 con Deep Learning AMIs detrás de un Application Load Balancer ofrece flexibilidad, pero requiere una configuración y mantenimiento manuales significativos para la inferencia, el escalado y la monitorización del modelo, a diferencia de la solución gestionada de SageMaker.