데이터 과학자가 새로운 scikit-learn 모델 예측과 벤치마크 예측을 모두 생성하는 컨테이너에 코드를 패키징해야 하며, AWS가 컨테이너의 운영 유지 관리를 처리하기를 원합니다. 이 요구 사항을 충족하는 패키징 접근 방식은 무엇입니까?

정답은 Amazon SageMaker scikit-learn 컨테이너를 코드로 확장하고 해당 컨테이너를 사용하는 것입니다. SageMaker는 scikit-learn을 포함한 인기 있는 프레임워크를 위한 사전 구축된 컨테이너를 제공하여 운영 유지 관리를 처리합니다. 데이터 과학자는 이 컨테이너를 확장하여 사용자 지정 코드를 추가하고, 벤치마크 예측을 생성하는 데 필요한 추가 라이브러리나 로직을 포함할 수 있습니다. Amazon SageMaker scikit-learn 컨테이너 내에서 코드를 훈련 스크립트로 제공하는 것은 훈련 작업에는 적합하지만, 예측 로직과 벤치마크 예측을 함께 실행하는 데 필요한 유연성이 부족합니다. 사용자 지정 컨테이너 이미지를 빌드하고 Amazon ECR에 푸시하는 것은 가능하지만, SageMaker가 제공하는 관리형 컨테이너의 이점을 놓치게 되어 운영 유지 관리가 데이터 과학자의 책임이 됩니다. 사용자 지정 컨테이너 이미지를 빌드하고 AWS Fargate에 배포하는 것은 컨테이너를 실행하는 한 가지 방법이지만, SageMaker의 ML 워크로드에 특화된 기능과 통합 이점을 활용하지 못합니다.