Bir ML mühendisinin SageMaker işleme işlerinde (processing jobs), eğitim işlerinde (training jobs) ve pipeline'larda özel Python kütüphanelerine ihtiyacı var. Hangi seçenek, EN AZ uygulama çabasıyla bu yeteneği sağlar?

Özel bir Docker imajı oluşturmak ve bunu Amazon ECR'ye yüklemek, SageMaker işleme işleri, eğitim işleri ve pipeline'lar için özel Python kütüphanelerini kullanmanın en az çaba gerektiren ve en sürdürülebilir yoludur. Bu yaklaşım, tüm bağımlılıkları tek bir taşınabilir ve yeniden kullanılabilir pakette kapsüller. SageMaker, bu özel Docker imajını doğrudan kullanabilir, böylece her bir iş veya pipeline için kütüphanelerin manuel olarak kurulması veya yönetilmesi ihtiyacını ortadan kaldırır. Diğer seçenekler neden doğru değil: Kütüphaneleri varsayılan SageMaker container'larına manuel olarak kurmak her iş için tekrarlayan ve hataya açık bir süreçtir. SageMaker notebook instance'ları, işleri çalıştırmak için tasarlanmamıştır; bunlar geliştirme ortamlarıdır. Lambda fonksiyonu ile kurulum yapmak, işlerin ölçeklenebilirliğini ve tutarlılığını sağlamaz. Kütüphane kodunu EC2 instance'larında harici olarak çalıştırmak, SageMaker'ın entegre yeteneklerinden faydalanmaz ve ek yönetim yükü getirir.