Un data scientist doit empaqueter du code dans un conteneur qui produit à la fois une nouvelle prévision de modèle scikit-learn et une prévision de référence, et souhaite qu'AWS gère la maintenance opérationnelle du conteneur. Quelle approche d'empaquetage répond à cette exigence ?

L'extension du conteneur Amazon SageMaker scikit-learn existant est la solution la plus efficace. SageMaker fournit des conteneurs pré-construits pour scikit-learn, qui incluent déjà les dépendances nécessaires et l'intégration avec l'infrastructure SageMaker. En étendant ce conteneur, le data scientist peut ajouter son code personnalisé pour la prédiction du modèle et la prédiction de référence sans avoir à gérer l'ensemble de l'environnement conteneurisé à partir de zéro. AWS gère la maintenance opérationnelle du conteneur de base. Fournir le code comme script d'entraînement est incorrect car cela ne permet pas d'exécuter des prédictions. Construire une image personnalisée et la pousser vers ECR est possible, mais plus complexe que nécessaire car cela implique de gérer toutes les dépendances et configurations. Déployer sur Fargate est une option de déploiement de conteneurs, mais n'est pas directement liée à l'empaquetage du code dans un conteneur SageMaker pour l'inférence.