Een data scientist moet code verpakken in een container die zowel een nieuwe scikit-learn modelvoorspelling als een benchmarkvoorspelling produceert, en wil dat AWS het operationele onderhoud van de container afhandelt. Welke verpakkingsaanpak voldoet aan deze vereiste?

De juiste aanpak is het uitbreiden van de Amazon SageMaker scikit-learn container met de code en deze container te gebruiken. Dit stelt de data scientist in staat om de bestaande, geoptimaliseerde SageMaker scikit-learn omgeving te benutten en daar de specifieke voorspellingslogica (nieuwe modelvoorspelling en benchmarkvoorspelling) aan toe te voegen. AWS SageMaker beheert dan automatisch de operationele aspecten van de container, zoals patching en schaling, wat voldoet aan de eis van operationeel onderhoud door AWS. Het leveren van de code als trainingsscript is bedoeld voor training, niet voor inferentie met twee verschillende voorspellingen. Het bouwen van een volledig aangepaste containerimage en deze pushen naar Amazon ECR geeft weliswaar flexibiliteit, maar vereist meer handmatig beheer van de basisimage en afhankelijkheden, wat indruist tegen het minimaliseren van operationeel onderhoud door AWS. Het deployen naar AWS Fargate is een generieke container-orkestratieoplossing, maar SageMaker biedt een meer geïntegreerde en geautomatiseerde oplossing voor machine learning workloads, inclusief het operationele beheer van de inferentie-endpoint.