Een bedrijf draait ML-workflows op een on-premises Kubernetes-cluster. Elke ML-service is verpakt als een standalone Docker-image. Ze moeten met de minste operationele overhead overstappen naar een Amazon EKS-cluster. Welke oplossing voldoet aan deze vereiste?

De correcte optie minimaliseert operationele overhead omdat de bestaande Docker-images direct kunnen worden hergebruikt. Door de images naar Amazon ECR te pushen en een deployment pipeline te configureren, kunnen de ML-services met minimale aanpassingen worden geïmplementeerd op Amazon EKS. Dit behoudt de bestaande architectuur en vermijdt ingrijpende herontwerpen. Het herontwerpen van ML-services voor Kubeflow zou aanzienlijke ontwikkelings- en operationele overhead met zich meebrengen. Het verplaatsen van trainingsdata naar Amazon Redshift en het opnieuw trainen van modellen met Redshift ML is een ingrijpende architectuurwijziging die niet nodig is als de bestaande modellen en code werken. Het maken van een Amazon SageMaker notebook en het opnieuw trainen van modellen is ook een onnodige stap als de bestaande trainingscode al functioneel is en de focus ligt op migratie naar EKS.