Een productiebedrijf draait een SageMaker scikit-learn model dat elk apparaat labelt als normaal of afwijkend, gebaseerd op 4 dagen telemetrie. De 4-daagse telemetrie van elk apparaat wordt elk uur als een apart bestand naar S3 geschreven. Het uitvoeren van het model op alle apparaten duurt 5 minuten. Wat is de meest kosteneffectieve manier om het model uit te voeren over de telemetrie voor alle apparaten?

SageMaker Batch Transform is de meest kosteneffectieve optie omdat het geoptimaliseerd is voor het verwerken van grote datasets die niet in realtime verwerkt hoeven te worden. Aangezien het model slechts 5 minuten nodig heeft om alle apparaten te verwerken en de gegevens elk uur worden bijgewerkt, is realtime inferentie niet vereist. Batch Transform start de benodigde rekenresources op, voert de inferentie uit en sluit deze vervolgens af, wat resulteert in kostenbesparingen. SageMaker Asynchronous Inference is ontworpen voor lange inferentietijden (minuten tot uren) of grote payload-groottes, wat hier niet het geval is. SageMaker Processing is bedoeld voor dataverwerking, feature engineering of modeltraining, niet voor inferentie. Een SageMaker multi-container endpoint is bedoeld voor realtime inferentie en zou onnodig duur zijn omdat de compute-resources continu draaien, zelfs als er geen inferentie plaatsvindt.