一個團隊在 Amazon SageMaker 上使用 GPU 訓練了一個 CNN，並將其部署到 SageMaker endpoint 以進行即時礦物影像識別。他們已經知道預期的流量模式，需要選擇最佳的實例類型和配置。哪種方法所需的開發工作量最少，可以選擇正確的實例配置？

SageMaker Inference Recommender 專為此類任務設計，能夠自動化選擇最佳實例類型和配置。它透過執行負載測試來評估模型在不同實例上的效能。 選項 B 正確，因為 Advanced job type 允許提供已知的流量模式進行負載測試，這對於預期流量模式明確的場景至關重要，且開發工作量最少。它能精確地模擬真實世界負載，推薦最適合的實例。 選項 A 的 Default job type 不允許提供自定義流量模式，可能無法準確反映實際需求。 選項 C 和 D 涉及手動部署、使用 Lambda 和 API Gateway 路由請求，並使用開源工具進行負載測試，這會顯著增加開發工作量和複雜性，且 D 選項使用 CPU 實例與題目中 GPU 訓練的模型不符，會導致效能瓶頸。