Une entreprise de commerce électronique a un endpoint SageMaker factorization machines (FM) déployé pour les recommandations de produits. L'équipe a entraîné deux nouveaux modèles (TensorFlow et PyTorch) et doit effectuer des tests A/B avec les règles de routage suivantes : envoyer 70 % du trafic au modèle FM, 15 % au modèle TensorFlow, 15 % au modèle PyTorch ; mais pour les clients européens, acheminer tout le trafic vers le modèle TensorFlow. Quelle architecture prend en charge ce comportement ?

La bonne réponse est de créer des variantes de production pour les modèles TensorFlow et PyTorch et de définir les poids souhaités dans la configuration de l'endpoint SageMaker. SageMaker prend en charge les tests A/B via des variantes de production sur un seul endpoint, ce qui permet de distribuer le trafic en fonction de poids spécifiés. L'en-tête TargetVariant permet de router des requêtes spécifiques (comme celles des clients européens) vers une variante particulière, ignorant la distribution pondérée pour ces requêtes. Les autres options sont incorrectes car : Utiliser des Load Balancers (Application ou Network) avec des endpoints SageMaker séparés est une approche plus complexe et moins native pour les tests A/B dans SageMaker. SageMaker offre déjà cette fonctionnalité intégrée. L'option mentionnant la mise à l'échelle automatique avec les poids A/B est partiellement correcte pour la distribution du trafic, mais la partie sur la mise à l'échelle automatique n'est pas directement liée à la logique de routage A/B et l'en-tête TargetVariant est la méthode correcte pour le routage conditionnel.