Birden çok ekip, Python'u scikit-learn ve TensorFlow ile kullanarak tahmin modellerini yerel olarak geliştirdi. Şirket, bu modelleri SageMaker ile yönetilen bir ML altyapısına yeniden inşa etmeli, entegre etmeli ve bir model kaydına eklemelidir. Operasyonel yükü en aza indiren yaklaşım hangisidir?

Doğru cevap, mevcut Python model kodunu SageMaker'a taşıyarak, scikit-learn ve TensorFlow modellerini SageMaker ortamında yeniden oluşturmayı ve ardından tüm modelleri SageMaker Model Registry'ye kaydetmeyi önerir. Bu yaklaşım, SageMaker'ın yerleşik yeteneklerinden tam olarak yararlanır ve operasyonel yükü en aza indirir. SageMaker, bu çerçeveleri destekler ve model eğitimi, dağıtımı ve yönetimi için entegre bir çözüm sunar. Diğer seçenekler neden uygun değil: Modelleri doğrudan S3'e aktarmak ve API Gateway/Lambda ile erişmek, SageMaker'ın model yönetimi ve izleme özelliklerinden faydalanmaz, bu da operasyonel yükü artırabilir. Modelleri doğrudan SageMaker Model Registry'ye aktarmak ve çalıştırmak mümkün değildir; modellerin SageMaker uyumlu bir formatta veya ortamda oluşturulması gerekir. Kapsayıcıları kullanarak (BYOC) modelleri içe aktarmak bir seçenek olsa da, mevcut kodu SageMaker'ın yerleşik yetenekleriyle yeniden oluşturmak genellikle daha az operasyonel yük gerektirir, çünkü SageMaker'ın optimize edilmiş ortamlarından ve entegrasyonlarından yararlanılır. BYOC, özel bağımlılıklar veya çok spesifik ortamlar gerektiğinde daha uygundur.