한 회사에서 ML 실험, 훈련, 중앙 모델 레지스트리, 배포 및 모니터링을 제공하는 Amazon SageMaker 기반 웹 기반 AI 애플리케이션을 구축하고 있습니다. 훈련 데이터는 Amazon S3에 저장되며 안전하고 격리된 상태를 유지해야 합니다. 운영 오버헤드를 최소화하면서 여러 모델 버전을 중앙에서 관리하려면 어떤 접근 방식을 사용해야 할까요?

정답은 SageMaker Model Registry와 모델 그룹을 사용하여 모델을 분류하고 관리하는 것입니다. SageMaker Model Registry는 모델 버전을 중앙에서 관리하고, 모델 그룹을 통해 관련 모델 버전을 논리적으로 묶어 분류하고 관리할 수 있습니다. 이는 여러 모델 버전을 효율적으로 추적하고 배포하는 데 필수적입니다. 오답 설명: 모델마다 별도의 Amazon ECR 리포지토리를 생성하는 것은 모델 이미지 관리에 도움이 되지만, 모델 자체의 버전 관리, 승인 워크플로우, 배포 관리는 제공하지 않아 운영 오버헤드가 증가합니다. Amazon ECR을 사용하고 각 모델 버전에 고유한 이미지 태그를 할당하는 것은 모델 이미지의 버전을 관리하는 방법이지만, 모델의 메타데이터, 성능 지표, 승인 상태 등 모델 라이프사이클 전반을 관리하는 데는 한계가 있습니다. SageMaker Model Registry를 사용하고 각 모델 버전에 고유한 태그에 의존하는 것은 모델 레지스트리의 일부 기능을 활용하지만, 모델 그룹을 사용하지 않으면 관련 모델 버전을 효과적으로 분류하고 관리하기 어렵습니다. 모델 그룹은 여러 모델 버전을 하나의 논리적 단위로 묶어 관리할 수 있는 강력한 기능입니다.