Bir veri bilimcinin, hem yeni bir scikit-learn model tahmini hem de bir kıyaslama tahmini üreten kodu bir kapsayıcıda paketlemesi gerekiyor ve AWS'nin kapsayıcının operasyonel bakımını üstlenmesini istiyor. Hangi paketleme yaklaşımı bu gereksinimi karşılar?

Doğru cevap, Amazon SageMaker scikit-learn kapsayıcısını kodla genişletmek ve bu kapsayıcıyı kullanmaktır. Bu yaklaşım, SageMaker'ın önceden oluşturulmuş scikit-learn ortamının avantajlarından yararlanırken, veri bilimcinin özel tahmin mantığını (hem yeni model hem de kıyaslama) eklemesine olanak tanır. SageMaker, bu genişletilmiş kapsayıcının operasyonel bakımını üstlenir. Diğer seçenekler neden yanlış: Kodu Amazon SageMaker scikit-learn kapsayıcısının içine eğitim betiği olarak sağlamak: Bu, eğitim için uygun olsa da, çıkarım (tahmin) için kapsayıcıyı genişletme ihtiyacını karşılamaz. Özel bir kapsayıcı görüntüsü oluşturup Amazon ECR'ye göndermek: Bu, özel bir kapsayıcı oluşturur ancak SageMaker'ın operasyonel bakımını otomatik olarak sağlamaz ve veri bilimcinin tüm bağımlılıkları sıfırdan yönetmesini gerektirir. Özel bir kapsayıcı görüntüsü oluşturup AWS Fargate'e dağıtmak: Fargate, kapsayıcıları çalıştırmak için sunucusuz bir seçenek sunar ancak SageMaker'ın model dağıtımı ve operasyonel bakım özelliklerini sağlamaz. Veri bilimcinin dağıtım ve ölçeklendirme mantığını kendisi oluşturması gerekir.