Varios equipos desarrollaron modelos de predicción localmente usando Python con scikit-learn y TensorFlow. La empresa debe reconstruir e integrar esos modelos en una infraestructura de ML gestionada con SageMaker y añadirlos a un registro de modelos. ¿Qué enfoque minimiza la sobrecarga operativa?

La opción correcta minimiza la sobrecarga operativa al centralizar el desarrollo y el registro en SageMaker. Al llevar el código Python directamente a SageMaker, se aprovechan sus capacidades gestionadas para reconstruir y entrenar los modelos de scikit-learn y TensorFlow. Esto asegura la compatibilidad con el ecosistema de SageMaker y facilita el registro en el Model Registry, que es esencial para la gobernanza y el despliegue. Las opciones incorrectas presentan mayores desafíos operativos: Exportar modelos a S3 y usar API Gateway/Lambda para endpoints de SageMaker introduce una capa de abstracción innecesaria y complejidad en la invocación, aumentando la sobrecarga de gestión. Importar modelos directamente al SageMaker Model Registry sin reconstrucción puede generar problemas de compatibilidad si los modelos no fueron entrenados originalmente en un entorno SageMaker. Empaquetar el código en contenedores (BYOC) es una opción viable, pero reconstruir los modelos dentro de SageMaker es más directo si el objetivo es integrar y gestionar completamente el ciclo de vida del modelo en la plataforma.