一家電子商務公司部署了一個用於產品推薦的 SageMaker factorization machines (FM) 端點。團隊訓練了兩個新模型（TensorFlow 和 PyTorch），需要使用以下路由規則執行 A/B 測試：將 70% 的流量發送到 FM 模型，15% 發送到 TensorFlow 模型，15% 發送到 PyTorch 模型；但對於來自歐洲的客戶，將所有流量路由到 TensorFlow 模型。哪種架構支援這種行為？

正確答案利用了 SageMaker 端點的生產變體功能。您可以為 TensorFlow 和 PyTorch 模型建立新的生產變體，並在現有端點上設定它們的權重（70% 給 FM，15% 給 TensorFlow，15% 給 PyTorch），這允許進行 A/B 測試。對於來自歐洲的客戶，透過在請求中設定 TargetVariant 標頭為 TensorFlow 變體名稱，可以強制將所有流量路由到 TensorFlow 模型，覆寫預設的權重分配。 其他選項不正確的原因： 使用 Application Load Balancer 或 Network Load Balancer 會增加不必要的複雜性，因為 SageMaker 端點本身支援多模型和流量路由。 雖然自動擴展策略很重要，但它與流量路由機制無關，且在這種情況下不是解決方案的核心部分。