一位資料科學家需要將程式碼打包到一個容器中，該容器會產生新的 scikit-learn 模型預測和基準預測，並且希望 AWS 處理容器的維運。哪種打包方法符合此要求？

資料科學家需要將程式碼打包到容器中，並讓 AWS 處理容器的維運。擴展 Amazon SageMaker scikit-learn 容器允許資料科學家利用 SageMaker 提供的預建 scikit-learn 環境，同時加入自訂程式碼來產生新的模型預測和基準預測。SageMaker 會自動處理容器的維運，符合要求。 將程式碼作為訓練腳本提供給 SageMaker scikit-learn 容器主要用於模型訓練，而非部署自訂預測邏輯。建置自訂容器映像檔並推送到 Amazon ECR 需要資料科學家自行處理容器的維運，不符合讓 AWS 處理維運的要求。建置自訂容器映像檔並部署到 AWS Fargate 也需要自行處理容器映像檔的建立和管理，且 Fargate 雖然是無伺服器容器服務，但仍需額外設定部署流程，不如擴展 SageMaker 容器來得直接且符合 SageMaker 的生態系統。