Une entreprise manufacturière exécute un modèle SageMaker scikit-learn qui étiquette chaque appareil comme normal ou anormal en fonction de 4 jours de télémétrie. La télémétrie de 4 jours de chaque appareil est écrite sous forme de fichier distinct dans S3 toutes les heures. L'exécution du modèle sur tous les appareils prend 5 minutes. Quelle est la méthode la plus rentable pour exécuter le modèle sur la télémétrie de tous les appareils ?

SageMaker Batch Transform est la solution la plus rentable pour ce scénario. Il est conçu pour les inférences sur de grands volumes de données qui ne nécessitent pas de latence en temps réel, ce qui correspond parfaitement à l'exécution horaire sur des fichiers S3. Il alloue dynamiquement les ressources et les libère une fois le traitement terminé, minimisant ainsi les coûts. SageMaker Asynchronous Inference est destiné aux inférences à faible latence mais avec des charges utiles de grande taille ou des temps de traitement longs, ce qui n'est pas le cas ici puisque le traitement prend 5 minutes. SageMaker Processing est utilisé pour le prétraitement des données, l'ingénierie des fonctionnalités ou l'évaluation de modèles, pas pour l'inférence. Un point de terminaison SageMaker multi-conteneurs est un service d'inférence en temps réel, coûteux car il reste provisionné en permanence, ce qui n'est pas nécessaire pour une exécution horaire.