一位 ML 工程師需要在 SageMaker 處理作業、訓練作業和管道中使用自訂 Python 函式庫。哪個選項能以最少的實作工作量提供此功能？

建置自訂 Docker 映像是將自訂 Python 函式庫整合到 SageMaker 作業和管道中的標準且最有效率的方法。透過將函式庫預先安裝到映像中，您可以確保所有 SageMaker 任務在一致的環境中執行，從而減少設定時間和錯誤。將映像推送到 Amazon ECR 可提供版本控制和安全儲存。 手動將函式庫安裝到預設的 SageMaker 容器中，每次作業啟動時都需要重複安裝，效率低下且容易出錯。建立 SageMaker 筆記本實例並使用 Lambda 安裝函式庫過於複雜，且不適用於可擴展的處理作業和管道。在 EC2 實例上外部執行程式碼，然後將結果匯入 SageMaker，會增加不必要的複雜性、資料傳輸成本和延遲，且不符合 SageMaker 的整合式工作流程。