Un développeur doit fournir une bibliothèque de machine learning personnalisée (actuellement de 15 Go et en croissance) à toutes les fonctions AWS Lambda d'une application. Quelle approche répond à cette exigence afin que chaque fonction Lambda puisse accéder à la bibliothèque ?

L'approche correcte consiste à placer la bibliothèque sur un système de fichiers Amazon EFS et à le monter dans chaque fonction Lambda. EFS permet de partager un grand volume de données (jusqu'à plusieurs pétaoctets) entre plusieurs fonctions Lambda, et les fonctions peuvent y accéder comme à un système de fichiers local. Cela est idéal pour une bibliothèque de 15 Go qui est en croissance. Les couches Lambda ont une limite de taille de 250 Mo (décompressées), ce qui est insuffisant pour une bibliothèque de 15 Go. Télécharger la bibliothèque depuis S3 à chaque exécution entraînerait une latence élevée et des coûts inutiles, car la bibliothèque devrait être téléchargée à chaque invocation à froid. Bien que les images de conteneur Lambda puissent gérer de grandes tailles (jusqu'à 10 Go), la bibliothèque de 15 Go dépasse cette limite et nécessiterait un redéploiement de toutes les fonctions à chaque mise à jour de la bibliothèque, ce qui est moins efficace qu'EFS pour une bibliothèque en croissance.