Une entreprise dispose d'un modèle de classification d'images et souhaite le déployer afin qu'une application web puisse obtenir des prédictions sans que l'entreprise n'ait à gérer de serveurs. Quelle solution répond à cette exigence ?

La bonne réponse est de déployer le modèle en utilisant Amazon SageMaker Serverless Inference. Cette solution permet de déployer des modèles de machine learning sans avoir à provisionner ou gérer des serveurs sous-jacents, ce qui correspond parfaitement à l'exigence de l'entreprise. SageMaker Serverless Inference met automatiquement à l'échelle les ressources de calcul en fonction du trafic, ce qui est idéal pour les charges de travail intermittentes ou variables. Utiliser Amazon CloudFront est incorrect car CloudFront est un service de réseau de diffusion de contenu (CDN) qui met en cache le contenu statique et dynamique pour une livraison rapide, mais il ne déploie ni n'exécute de modèles de machine learning. Héberger le modèle et servir les prédictions via Amazon API Gateway est incomplet ; API Gateway peut exposer une API pour les prédictions, mais il ne gère pas l'exécution du modèle lui-même. Exécuter le modèle sur AWS Batch est incorrect car AWS Batch est conçu pour les charges de travail par lots et non pour servir des prédictions en temps réel via une application web sans gestion de serveur.