您需要託管一個訓練好的模型，該模型在一天中會收到不均勻的請求率。託管必須能擴展以應對尖峰需求，但在閒置時將成本降至最低。哪種託管方法符合這些限制？

此選項正確，因為 Amazon SageMaker 端點自動擴展功能專為處理不均勻的請求率而設計。它允許您根據 Amazon CloudWatch 指標（例如 CPU 利用率或叫用次數）動態調整實例數量，確保在尖峰時段有足夠的容量，並在閒置時段縮減以降低成本。 其他選項不符合要求： 使用固定並行數的 AWS Lambda 函數無法有效處理尖峰負載，因為其並行數是固定的，且 Lambda 對於大型模型可能會有記憶體和執行時間限制。 將模型部署到 AWS Fargate 上的 Amazon ECS 叢集並執行靜態任務數量，無法在閒置時段降低成本，因為任務數量是靜態的，不會根據需求縮減。 透過將模型部署到 SageMaker 端點並使用 ALB 在副本之間分配流量，雖然可以處理多個副本，但如果沒有自動擴展策略，它仍然無法根據請求率動態調整實例數量以優化成本和效能。