Uno scienziato dei dati deve impacchettare del codice in un container che produce sia una nuova previsione del modello scikit-learn che una previsione di benchmark, e desidera che AWS gestisca la manutenzione operativa del container. Quale approccio di impacchettamento soddisfa questo requisito?

Estendere il container Amazon SageMaker scikit-learn esistente è la soluzione più efficiente. SageMaker fornisce container pre-costruiti per framework popolari come scikit-learn, gestendo la manutenzione operativa sottostante (aggiornamenti di sicurezza, patch, ecc.). Estendendo questo container, lo scienziato dei dati può aggiungere il proprio codice per la previsione del modello e del benchmark senza dover gestire l'infrastruttura del container da zero. Fornire il codice come script di training all'interno del container SageMaker scikit-learn non è l'approccio corretto per l'inferenza, ma per il training. Costruire un'immagine container personalizzata e caricarla su Amazon ECR è tecnicamente possibile, ma richiede allo scienziato dei dati di gestire l'intero stack del container, inclusa la manutenzione operativa, il che è contrario al requisito. Distribuire su AWS Fargate è un'opzione per l'esecuzione di container, ma non sfrutta i vantaggi di SageMaker per la gestione dei modelli e l'inferenza, e richiede comunque la creazione e la manutenzione di un'immagine container personalizzata completa.