Производственная компания использует модель SageMaker scikit-learn, которая маркирует каждое устройство как нормальное или аномальное на основе данных телеметрии за 4 дня. Телеметрия каждого устройства за 4 дня записывается в отдельный файл в S3 каждый час. Запуск модели для всех устройств занимает 5 минут. Какой наиболее экономичный способ запуска модели на основе телеметрии для всех устройств?

SageMaker Batch Transform — наиболее экономичный вариант, поскольку он предназначен для обработки больших объемов данных асинхронно, без необходимости поддерживать постоянно работающую конечную точку. Это идеально подходит для данного сценария, где модель запускается периодически (каждые 4 дня) для всех устройств. SageMaker Asynchronous Inference предназначен для обработки запросов с большими полезными нагрузками или длительным временем обработки, но все еще требует постоянно работающей конечной точки, что менее экономично для периодических пакетных задач. SageMaker Processing используется для предварительной обработки данных, постобработки или оценки моделей, а не для выполнения инференса. SageMaker multi-container endpoint предназначен для обслуживания нескольких моделей или алгоритмов в одной конечной точке в режиме реального времени, что является избыточным и дорогостоящим для пакетного инференса.