Une entreprise exécute des workflows ML sur un cluster Kubernetes sur site. Chaque service ML est packagé en tant qu'image Docker autonome. L'entreprise doit effectuer un lift and shift vers un cluster Amazon EKS avec le moins de frais opérationnels possible. Quelle solution répond à cette exigence ?

La bonne réponse est de pousser les images Docker vers Amazon ECR et de configurer un pipeline de déploiement vers EKS. Cette approche est un lift and shift direct car elle utilise les images Docker existantes sans modification majeure du code ou de l'architecture. Amazon ECR est un registre de conteneurs entièrement géré qui s'intègre parfaitement avec Amazon EKS, minimisant ainsi les frais opérationnels. Reconcevoir les services pour Kubeflow nécessiterait des modifications architecturales importantes, ce qui est contraire à l'objectif de lift and shift. Déplacer les données vers Amazon Redshift et réentraîner les modèles avec Redshift ML, ou créer un bloc-notes SageMaker pour le réentraînement, impliquerait des changements substantiels dans les processus d'entraînement et de déploiement, allant au-delà d'un simple lift and shift. Ces options introduiraient également des frais opérationnels supplémentaires liés à la refactorisation et à l'apprentissage de nouvelles plateformes.