Инженер машинного обучения должен развернуть четыре модели (каждая построена с использованием разных фреймворков) в конвейере вывода SageMaker и позволить клиентам вызывать invoke_endpoint для каждой модели. Какое экономически эффективное решение удовлетворяет этим требованиям?

Многоконтейнерная конечная точка SageMaker является наиболее экономически эффективным решением, поскольку она позволяет развертывать несколько моделей, построенных с использованием разных фреймворков, на одном экземпляре. Это значительно снижает затраты по сравнению с созданием отдельных конечных точек для каждой модели. Мультимодельная конечная точка SageMaker предназначена для размещения множества моделей, построенных с использованием одного и того же фреймворка, и динамической загрузки их в память, что не подходит для разных фреймворков. Создание нескольких одномодельных конечных точек приведет к высоким затратам, так как для каждой модели потребуется отдельный экземпляр. Запуск задания SparkML не является методом развертывания конечных точек для инференса.