여러 팀이 Python과 scikit-learn 및 TensorFlow를 사용하여 예측 모델을 로컬에서 개발했습니다. 회사는 이러한 모델을 SageMaker로 관리되는 ML 인프라에 재구축하고 통합해야 하며, 모델 레지스트리에 추가해야 합니다. 운영 오버헤드를 최소화하는 접근 방식은 무엇입니까?

정답은 Python 모델 코드를 SageMaker로 가져와 SageMaker 내에서 scikit-learn 및 TensorFlow 모델을 재구축하고 모든 모델을 SageMaker Model Registry에 등록하는 것입니다. 이 접근 방식은 SageMaker의 내장 기능을 활용하여 모델 재구축 및 배포를 간소화하고, SageMaker Model Registry를 통해 중앙 집중식 모델 관리를 가능하게 하여 운영 오버헤드를 최소화합니다. 다른 옵션들은 다음과 같은 이유로 최적이 아닙니다. 노트북에서 S3 버킷으로 모델을 내보내는 것은 모델 배포를 위한 추가적인 인프라(API Gateway, Lambda)를 필요로 하여 운영 복잡성을 증가시킵니다. SageMaker Model Registry로 모델을 가져와 SageMaker에서 가져온 모델을 실행하는 것은 모델 재구축 단계를 생략하여 SageMaker의 최적화된 환경을 충분히 활용하지 못할 수 있습니다. 노트북 코드를 컨테이너로 패키징하고 SageMaker의 BYOC(bring-your-own-container) 지원을 사용하는 것은 컨테이너 관리 및 유지보수라는 추가적인 운영 오버헤드를 발생시킵니다.