Firma stworzyła dwa modele: Model A wykrywa oszukańcze transakcje i będzie wywoływany przy każdej transakcji; Model B prognozuje sprzedaż na następny miesiąc i będzie wywoływany raz w miesiącu. Oba muszą zostać wdrożone do produkcji za pomocą SageMaker AI. Jakie podejście do hostingu powinna zastosować firma?

Model A wymaga niskiego opóźnienia i jest wywoływany przy każdej transakcji, co czyni punkt końcowy czasu rzeczywistego (real-time endpoint) optymalnym wyborem dla natychmiastowego wykrywania oszustw. Model B prognozuje sprzedaż raz w miesiącu, co oznacza, że nie wymaga natychmiastowej odpowiedzi i może przetwarzać duże partie danych w zaplanowanych odstępach czasu. Transformacja wsadowa (batch transform) jest idealna do tego celu, ponieważ jest ekonomiczna i efektywna dla zadań, które nie wymagają interakcji w czasie rzeczywistym. Hostowanie obu modeli w jednym kontenerze lub użycie asynchronicznego punktu końcowego dla Modelu A wprowadziłoby niepotrzebne opóźnienia lub złożoność. Użycie transformacji wsadowej dla Modelu A byłoby nieodpowiednie ze względu na wymóg niskiego opóźnienia, a asynchroniczny punkt końcowy dla Modelu B byłby nadmiernym rozwiązaniem dla miesięcznych prognoz.