Una empresa está creando una aplicación de IA basada en web con Amazon SageMaker que proporciona experimentación de ML, entrenamiento, un registro central de modelos, implementación y monitoreo. Los datos de entrenamiento residen en Amazon S3 y deben permanecer seguros y aislados. Para administrar múltiples versiones de modelos de forma centralizada con la menor sobrecarga operativa, ¿qué enfoque deberían usar?

La opción correcta es usar SageMaker Model Registry y grupos de modelos para catalogar y administrar los modelos. SageMaker Model Registry está diseñado para centralizar la gestión de modelos, permitiendo el versionado, la aprobación y el despliegue de modelos de forma eficiente y con baja sobrecarga operativa. Los grupos de modelos (Model Groups) organizan lógicamente las versiones de un modelo. Crear un repositorio de Amazon ECR separado para cada modelo es ineficiente y aumenta la sobrecarga operativa, ya que ECR es para imágenes de contenedores, no para el ciclo de vida completo del modelo. Usar Amazon ECR y asignar etiquetas de imagen únicas para cada versión del modelo es una práctica para contenedores, pero no aborda la gestión centralizada del ciclo de vida del modelo de ML. Usar SageMaker Model Registry y depender de etiquetas únicas para cada versión del modelo es incompleto; aunque el registro de modelos usa etiquetas, la gestión centralizada se logra plenamente con los grupos de modelos para organizar las versiones.