Un'azienda dispone di un modello ML che prevede i prezzi di vendita degli immobili e desidera fornire previsioni senza gestire server o infrastrutture. Quale opzione di deployment soddisfa questo requisito?

L'opzione corretta è "Eseguire il deployment del modello utilizzando un endpoint Amazon SageMaker". Amazon SageMaker offre un servizio completamente gestito per il deployment di modelli ML, eliminando la necessità di gestire server o infrastrutture sottostanti. Un endpoint SageMaker fornisce un'API HTTPS per ottenere previsioni in tempo reale, scalando automaticamente in base al traffico. Ospitare il modello su un'istanza Amazon EC2 richiederebbe la gestione manuale del server, del software di inferenza e della scalabilità, contravvenendo al requisito di non gestire l'infrastruttura. Il deployment su un cluster Amazon EKS, sebbene offra flessibilità, implica comunque la gestione di un cluster Kubernetes, che è un'infrastruttura complessa. Servire il modello tramite Amazon CloudFront integrato con Amazon S3 non è adatto per l'inferenza di modelli ML. CloudFront è una rete di distribuzione di contenuti (CDN) e S3 è un servizio di storage di oggetti; nessuno dei due è progettato per eseguire codice di inferenza ML.