Wiele zespołów opracowało lokalnie modele predykcyjne, używając Pythona z scikit-learn i TensorFlow. Firma musi przebudować i zintegrować te modele z infrastrukturą ML zarządzaną za pomocą SageMaker oraz dodać je do rejestru modeli. Które podejście minimalizuje obciążenie operacyjne?

Prawidłowa odpowiedź minimalizuje obciążenie operacyjne, ponieważ przeniesienie kodu Pythona do SageMaker i przebudowanie modeli bezpośrednio w tej usłudze pozwala na pełne wykorzystanie zarządzanej infrastruktury SageMaker. Modele scikit-learn i TensorFlow są dobrze obsługiwane w SageMaker, co upraszcza proces wdrażania i zarządzania. Rejestracja w SageMaker Model Registry zapewnia scentralizowane zarządzanie wersjami i cyklem życia modelu. Eksportowanie modeli do S3 i udostępnianie ich przez API Gateway/Lambda z wywoływaniem punktów końcowych SageMaker dodaje niepotrzebne warstwy złożoności i obciążenia operacyjnego. Importowanie gotowych modeli do rejestru SageMaker i uruchamianie ich bez przebudowy w SageMaker może prowadzić do problemów z kompatybilnością i braku optymalizacji. Pakowanie kodu do kontenerów (BYOC) jest opcją, ale przebudowanie modeli bezpośrednio w SageMaker jest zazwyczaj prostsze i bardziej zintegrowane, jeśli biblioteki są natywnie obsługiwane.