FácilOpción múltiple

Pregunta de práctica de MLA-C01

Una empresa tiene un modelo de aprendizaje automático entrenado que debe implementarse como un punto de enlace de inferencia en tiempo real en Amazon SageMaker. El punto de enlace debe escalar automáticamente en función del tráfico entrante. ¿Qué característica de SageMaker se debe utilizar?

Elige la mejor respuesta.

Respuesta correcta

  • ASageMaker Endpoint Auto Scaling

Explicación

Amazon SageMaker Endpoint Auto Scaling es la característica correcta porque ajusta automáticamente el número de instancias que atienden un punto de enlace de inferencia en tiempo real según la carga de tráfico entrante. Utiliza políticas de Application Auto Scaling, que supervisan las métricas de CloudWatch (por ejemplo, InvocationsPerInstance) para escalar horizontalmente hacia arriba o hacia abajo, garantizando una baja latencia y eficiencia de costes sin intervención manual.

Por qué cada opción es correcta o incorrecta

A

Correcta

SageMaker Endpoint Auto Scaling

SageMaker Endpoint Auto Scaling ajusta dinámicamente el número de instancias detrás de un punto de enlace en tiempo real utilizando políticas de seguimiento de objetivos o de escalado por pasos, impulsadas por métricas como InvocationsPerInstance. Esto satisface directamente el requisito del enunciado de escalar automáticamente con el tráfico entrante, a diferencia de la transformación por lotes o la inferencia asíncrona, que no pueden servir peticiones continuas en tiempo real.

B

Incorrecta

SageMaker Elastic Inference

Elastic Inference adjunta aceleración de GPU fraccional a instancias existentes; cambia el hardware de computación, no el recuento de instancias. Se adapta a la reducción de costes para inferencias alojadas en CPU, pero escalar según el tráfico entrante requiere una política de Application Auto Scaling dirigida a la variante del punto de enlace, lo cual Elastic Inference no puede proporcionar.

C

Incorrecta

SageMaker Batch Transform

Batch Transform procesa conjuntos de datos completos de forma asíncrona en un solo trabajo, no como un punto de enlace persistente que pueda escalar en tiempo real ante un tráfico fluctuante. Es tentador porque gestiona inferencias a gran escala de manera eficiente cuando la latencia no es crítica, y sería correcto para predicciones offline en un conjunto de datos estático donde un punto de enlace en tiempo real es innecesario.

D

Incorrecta

SageMaker Model Monitor

Model Monitor detecta desviaciones de datos (data drift) y violaciones de calidad en puntos de enlace implementados; no aprovisiona capacidad ni ajusta el recuento de instancias. Sería la opción correcta para la detección continua de sesgos y desviaciones, pero el escalado automático basado en tráfico requiere configurar una política de autoescalado en la variante de producción del punto de enlace.

Para profundizar

SageMaker Endpoint Auto Scaling utiliza Application Auto Scaling para ajustar el número de instancias detrás de un punto de enlace en tiempo real según las métricas de CloudWatch. Registras el punto de enlace como un destino escalable y luego adjuntas una política de escalado, más comúnmente TargetTrackingScaling en la métrica SageMakerVariantInvocationsPerInstance con un valor objetivo, además de periodos de espera (cooldowns) opcionales. Un detalle sutil que vale la pena conocer: la reducción horizontal (scale-in) es deliberadamente conservadora porque eliminar capacidad mientras hay peticiones en vuelo puede causar errores 5xx, por lo que utiliza periodos de espera más largos que el escalado hacia arriba. Asimismo, cada variante de producción escala de forma independiente, y debes configurar MinCapacity y MaxCapacity para acotar el coste. Esto importa para un modelo que atiende un tráfico con picos pronunciados, donde un recuento de instancias fijo desperdicia dinero en estado de inactividad o descarta peticiones durante una subida.

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de MLA-C01 de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.

Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.