多個團隊使用 Python 搭配 scikit-learn 和 TensorFlow 在本地開發了預測模型。公司必須重建這些模型並將其整合到由 SageMaker 管理的 ML 基礎設施中，然後將它們新增到模型登錄檔。哪種方法能最大限度地減少營運開銷？

將 Python 模型程式碼匯入 SageMaker，並在 SageMaker 內部重建模型，然後註冊到模型登錄檔，能最大限度地減少營運開銷。這是因為 SageMaker 提供了整合的開發、訓練、部署和管理環境，允許團隊利用 SageMaker 的託管服務和最佳化功能。在 SageMaker 內部重建模型可以確保模型與 SageMaker 生態系統完全相容，減少未來維護和整合的複雜性。 將模型匯出到 S3 並透過 API Gateway 和 Lambda 提供存取，會增加額外的基礎設施管理負擔。將模型匯入 SageMaker Model Registry 並在 SageMaker 中執行匯入的模型，可能無法完全利用 SageMaker 的訓練和部署功能，因為模型可能未針對 SageMaker 環境進行最佳化。將程式碼打包成容器並使用 BYOC 雖然可行，但相比於直接在 SageMaker 內部重建，仍需要額外的容器化工作和維護。