ML 엔지니어가 SageMaker 처리 작업, 훈련 작업 및 파이프라인에서 사용자 지정 Python 라이브러리를 사용할 수 있도록 해야 합니다. 구현 노력이 가장 적게 드는 옵션은 무엇입니까?

사용자 지정 Docker 이미지를 빌드하고 Amazon ECR에 푸시한 다음 SageMaker 작업 및 파이프라인에서 해당 이미지를 사용하는 것이 가장 적은 노력으로 사용자 지정 Python 라이브러리를 통합하는 방법입니다. 이 접근 방식은 라이브러리와 종속성을 단일 컨테이너에 패키징하여 SageMaker 환경 전반에 걸쳐 일관성과 이식성을 보장합니다. 기본 SageMaker 컨테이너에 수동으로 설치하는 것은 일시적이며 재현성이 떨어집니다. SageMaker 노트북 인스턴스를 사용하고 Lambda 함수로 라이브러리를 설치하는 것은 불필요하게 복잡하며 처리/훈련 작업의 확장성 및 자동화 요구 사항에 적합하지 않습니다. EC2 인스턴스에서 코드를 외부적으로 실행하고 S3를 통해 결과를 가져오는 것은 SageMaker의 통합된 워크플로우를 우회하며 관리 오버헤드가 더 큽니다.