Une entreprise dispose d'un modèle ML qui prédit les prix de vente de l'immobilier et souhaite diffuser des prédictions sans gérer de serveurs ni d'infrastructure. Quelle option de déploiement répond à cette exigence ?

L'utilisation d'un point de terminaison Amazon SageMaker est la solution la plus appropriée car SageMaker est un service entièrement géré conçu spécifiquement pour le déploiement de modèles ML. Il gère automatiquement l'infrastructure sous-jacente, y compris la mise à l'échelle, les correctifs et la maintenance, ce qui élimine la nécessité pour l'entreprise de gérer des serveurs. Héberger le modèle sur une instance Amazon EC2 nécessiterait une gestion manuelle des serveurs et de l'infrastructure. Déployer le modèle sur un cluster Amazon EKS offrirait une grande flexibilité mais exigerait également une gestion significative du cluster Kubernetes. Diffuser le modèle via Amazon CloudFront intégré à Amazon S3 n'est pas une option viable pour le déploiement d'un modèle ML, car CloudFront est un réseau de diffusion de contenu et S3 est un service de stockage d'objets, aucun des deux n'étant conçu pour l'inférence de modèles ML en temps réel.