Een systeem slaat elke 3 seconden nieuwe documenten op in S3. Er bestaan drie SageMaker-modelversies om elk document te classificeren, en het bedrijf wil alle drie implementeren om elk binnenkomend document te classificeren, terwijl de operationele overhead minimaal blijft. Welke implementatiebenadering voldoet aan deze vereiste met de minste beheerinspanning?

Deze optie is de meest efficiënte en beheersbare oplossing. Door alle drie de modellen als production variants op één SageMaker-endpoint te implementeren, wordt de operationele overhead geminimaliseerd. Een enkel endpoint kan meerdere modellen hosten, wat de beheerinspanning voor monitoring, logging en schaling vermindert. De Lambda-functie wordt slechts één keer getriggerd per document en kan vervolgens alle drie de varianten op hetzelfde endpoint aanroepen, wat de architectuur vereenvoudigt. De optie met batch transform jobs is minder geschikt omdat batch transform bedoeld is voor offline verwerking van grote datasets, niet voor realtime classificatie van individuele documenten. Het starten van drie batch jobs voor elk document zou inefficiënt en duur zijn. Het implementeren van elk model op een eigen SageMaker-endpoint (optie 3 en 4) verhoogt de beheerinspanning aanzienlijk, omdat elk endpoint afzonderlijk moet worden beheerd, gemonitord en geschaald. Dit leidt tot hogere operationele kosten en complexiteit.