한 제조 회사가 SageMaker scikit-learn 모델을 실행하여 4일간의 텔레메트리 데이터를 기반으로 각 디바이스를 정상 또는 비정상으로 분류합니다. 각 디바이스의 4일간 텔레메트리 데이터는 매시간 별도의 파일로 S3에 기록됩니다. 모든 디바이스에 대해 모델을 실행하는 데 5분이 소요됩니다. 모든 디바이스의 텔레메트리 데이터에 대해 모델을 실행하는 가장 비용 효율적인 방법은 무엇입니까?

SageMaker Batch Transform은 대량의 데이터를 비동기적으로 처리하고 예측을 생성하는 데 최적화되어 있어 가장 비용 효율적인 솔루션입니다. 이 시나리오에서는 4일간의 텔레메트리 데이터를 기반으로 디바이스를 분류하는 일괄 작업에 적합합니다. SageMaker Asynchronous Inference는 실시간에 가깝지만 대기 시간이 허용되는 시나리오에 더 적합하며, 이 경우 배치 처리가 더 효율적입니다. SageMaker Processing은 데이터 전처리 및 후처리에 주로 사용되며, 모델 추론 자체에는 Batch Transform이 더 적합합니다. SageMaker multi-container endpoint는 실시간 추론을 위한 것이며, 이 시나리오의 배치 요구 사항에 비해 비용이 많이 듭니다.