Une entreprise développe une application d'IA basée sur le web avec Amazon SageMaker qui fournit des fonctionnalités d'expérimentation ML, de formation, un registre de modèles central, de déploiement et de surveillance. Les données d'entraînement résident dans Amazon S3 et doivent rester sécurisées et isolées. Pour gérer plusieurs versions de modèles de manière centralisée avec le moins de frais opérationnels, quelle approche devraient-ils utiliser ?

L'option correcte est d'utiliser le registre de modèles SageMaker et les groupes de modèles car cette approche est spécifiquement conçue pour gérer le cycle de vie complet des modèles ML, y compris le catalogage, le versionnement et le déploiement, avec le moins de frais opérationnels. Les groupes de modèles permettent d'organiser les modèles liés. Les autres options sont moins appropriées : Créer un référentiel Amazon ECR distinct pour chaque modèle entraînerait une surcharge de gestion importante et ne fournirait pas les fonctionnalités de gestion de cycle de vie de modèle intégrées à SageMaker. Utiliser Amazon ECR avec des balises d'image uniques pour chaque version de modèle est une approche de gestion de conteneurs, pas de modèles ML. Elle ne fournit pas les métadonnées spécifiques aux modèles ni les fonctionnalités de déploiement et de surveillance intégrées de SageMaker Model Registry. Utiliser le registre de modèles SageMaker et s'appuyer sur des balises uniques pour chaque version de modèle est une bonne approche, mais l'ajout de "groupes de modèles" est encore plus précis pour la gestion centralisée et l'organisation de plusieurs modèles, comme le demande la question.