Un ingénieur ML a besoin de bibliothèques Python personnalisées disponibles dans les tâches de traitement SageMaker, les tâches d'entraînement et les pipelines. Quelle option offre cette capacité avec le MOINS d'effort de mise en œuvre ?

Construire une image Docker personnalisée est la méthode la plus efficace car elle permet d'inclure toutes les bibliothèques Python requises de manière persistante et reproductible. En poussant cette image vers Amazon ECR, elle devient accessible à toutes les tâches de traitement, d'entraînement et aux pipelines SageMaker, garantissant ainsi un environnement cohérent avec le minimum d'effort de mise en œuvre pour chaque exécution. Installer manuellement les bibliothèques à l'intérieur des conteneurs SageMaker par défaut n'est pas persistant et devrait être répété à chaque nouvelle tâche, ce qui est inefficace. Créer une instance de bloc-notes SageMaker pour héberger les tâches est une solution ad hoc qui ne s'adapte pas bien aux pipelines et aux tâches de production. Exécuter le code de la bibliothèque en externe sur des instances EC2 complique l'architecture et la gestion des dépendances, ajoutant une surcharge inutile.