TFRecord 파일로 저장된 정적 훈련 데이터를 읽는 기존 TensorFlow 훈련 스크립트(train.py)가 있습니다. Amazon SageMaker에서 훈련하기 위한 확장 가능한 스토리지 솔루션이 필요하며, 코드 변경을 최소화해야 합니다. 어떤 접근 방식이 개발 노력을 최소화할까요?

정답은 기존 train.py 스크립트와 데이터 형식을 유지하면서 Amazon S3를 스토리지로 활용하는 것입니다. SageMaker 스크립트 모드는 사용자가 작성한 훈련 스크립트를 변경 없이 SageMaker 환경에서 실행할 수 있게 해줍니다. TFRecord 파일은 SageMaker 훈련 인스턴스에 마운트된 S3 버킷에서 직접 읽을 수 있으므로 데이터 재포맷이나 스크립트 수정이 필요 없습니다. 오답 설명: 첫 번째 옵션은 데이터를 로컬 파일 시스템 경로에 두는 것을 제안하는데, 이는 확장 가능한 스토리지 솔루션이 아니며 SageMaker 훈련 작업에서 직접 접근하기 어렵습니다. 세 번째 옵션은 train.py를 수정하고 데이터 형식을 변경해야 하므로 개발 노력이 증가합니다. 네 번째 옵션은 AWS Glue 또는 Lambda를 사용하여 데이터를 재포맷해야 하므로 상당한 개발 노력이 필요하며, 이는 최소한의 코드 변경이라는 요구사항에 부합하지 않습니다.