Plusieurs équipes ont développé des modèles de prédiction localement en utilisant Python avec scikit-learn et TensorFlow. L'entreprise doit reconstruire et intégrer ces modèles dans une infrastructure ML gérée avec SageMaker et les ajouter à un registre de modèles. Quelle approche minimise la surcharge opérationnelle ?

L'approche correcte minimise la surcharge opérationnelle en tirant parti des capacités de SageMaker pour la gestion du cycle de vie des modèles. En important le code Python et en reconstruisant les modèles directement dans SageMaker, vous assurez que les modèles sont créés dans un environnement géré et optimisé pour le déploiement et la surveillance. Cela permet une intégration transparente avec le registre de modèles SageMaker, facilitant le versionnement et le déploiement. Les autres options présentent des inconvénients : Exporter les modèles et utiliser API Gateway/Lambda introduit une complexité architecturale inutile et ne gère pas la reconstruction ou le versionnement des modèles dans SageMaker. Importer directement les modèles dans le registre sans reconstruction dans SageMaker peut entraîner des problèmes de compatibilité ou de dépendances, car les modèles binaires peuvent ne pas être optimisés pour l'environnement SageMaker. Empaqueter le code dans des conteneurs (BYOC) est une approche valide mais peut être plus complexe que nécessaire si les frameworks sont déjà pris en charge nativement par SageMaker, augmentant potentiellement la surcharge de maintenance des conteneurs.