某公司在內部部署的 Kubernetes 叢集上執行 ML 工作負載。每個 ML 服務都包裝成一個獨立的 Docker 映像檔。他們需要以最少的操作負擔將其原封不動地遷移到 Amazon EKS 叢集。哪種解決方案符合此要求？

正確答案是將 Docker 映像檔推送到 Amazon Elastic Container Registry (Amazon ECR) 儲存庫，並設定部署管道以將這些映像檔部署到 EKS 叢集。這直接利用了現有的 Docker 映像檔，並將它們部署到 Amazon EKS，這是一個受管的 Kubernetes 服務。這種方法提供了最低的操作負擔，因為它保持了現有的容器化工作負載不變，並利用了 EKS 的可擴展性和可靠性。 重新設計 ML 服務以在 Kubeflow 下執行會增加額外的開發和操作複雜性，不符合「最少操作負擔」的要求。將訓練資料移至 Amazon Redshift 或建立 Amazon SageMaker 筆記本來重新訓練模型，都涉及對現有 ML 工作流程的重大修改，這與將現有服務「原封不動地遷移」的目標相悖。