Firma produkcyjna uruchamia model SageMaker scikit-learn, który etykietuje każde urządzenie jako normalne lub anomalne na podstawie danych telemetrycznych z 4 dni. Dane telemetryczne każdego urządzenia z 4 dni są zapisywane jako osobny plik w S3 co godzinę. Uruchomienie modelu dla wszystkich urządzeń zajmuje 5 minut. Jaki jest najbardziej opłacalny sposób uruchomienia modelu na danych telemetrycznych dla wszystkich urządzeń?

SageMaker Batch Transform jest najbardziej opłacalnym rozwiązaniem, ponieważ jest przeznaczony do przetwarzania dużych partii danych w trybie offline. Model działa na danych z 4 dni, które są już zgromadzone, co eliminuje potrzebę ciągłego działania punktu końcowego (endpointu). SageMaker Asynchronous Inference jest przeznaczony do dużych ładunków i długich czasów przetwarzania, ale nadal wymaga aktywnego punktu końcowego, co jest droższe niż Batch Transform dla tego scenariusza. SageMaker Processing jest używany do zadań przetwarzania danych, inżynierii cech lub oceny modeli, a nie do wnioskowania. Wielokontenerowy punkt końcowy SageMaker jest przeznaczony do wnioskowania w czasie rzeczywistym z niskimi opóźnieniami, co jest niepotrzebne i drogie dla tego zadania wsadowego.