Специалисту по данным необходимо упаковать код в контейнер, который создает как новый прогноз модели scikit-learn, так и эталонный прогноз, и он хочет, чтобы AWS взяла на себя операционное обслуживание контейнера. Какой подход к упаковке удовлетворяет этому требованию?

Расширение контейнера Amazon SageMaker scikit-learn с помощью кода — это наиболее эффективный способ удовлетворить требование. SageMaker берет на себя операционное обслуживание базового контейнера, а специалист по данным может добавить свой код для генерации прогнозов. Это позволяет использовать предварительно настроенную среду SageMaker, оптимизированную для scikit-learn, и при этом добавлять пользовательскую логику. Предоставление кода в качестве обучающего скрипта не подходит, так как это для обучения модели, а не для создания прогнозов. Создание пользовательского образа контейнера и отправка его в Amazon ECR требует ручного управления операционной средой, что противоречит требованию. Развертывание пользовательского образа в AWS Fargate также требует ручного управления инфраструктурой, а не использования управляемого сервиса SageMaker.