FácilMúltipla escolha

Questão de prática de MLA-C01

Uma empresa tem um modelo de aprendizado de máquina treinado que precisa ser implantado como um endpoint de inferência em tempo real no Amazon SageMaker. O endpoint deve ser dimensionado automaticamente com base no tráfego entrante. Qual recurso do SageMaker deve ser usado?

Escolha a melhor resposta.

Resposta correta

  • ASageMaker Endpoint Auto Scaling

Explicação

O SageMaker Endpoint Auto Scaling é o recurso correto porque ajusta automaticamente o número de instâncias que atendem a um endpoint de inferência em tempo real com base na carga de tráfego entrante. Ele usa políticas do Application Auto Scaling, que monitoram métricas do CloudWatch (por exemplo, InvocationsPerInstance) para realizar o dimensionamento horizontal, garantindo baixa latência e eficiência de custos sem intervenção manual.

Por que cada alternativa está certa ou errada

A

Correta

SageMaker Endpoint Auto Scaling

O SageMaker Endpoint Auto Scaling ajusta dinamicamente o número de instâncias por trás de um endpoint em tempo real usando políticas de rastreamento de destino ou de dimensionamento por etapas, impulsionadas por métricas como InvocationsPerInstance. Isso atende diretamente ao requisito do enunciado de dimensionar automaticamente com o tráfego entrante, ao contrário da transformação em lote ou da inferência assíncrona, que não podem atender a solicitações contínuas em tempo real.

B

Incorreta

SageMaker Elastic Inference

O Elastic Inference anexa aceleração de GPU fracionária a instâncias existentes; ele altera o hardware de computação, não a contagem de instâncias. Ele é adequado para a redução de custos para inferência hospedada em CPU, mas o dimensionamento com base no tráfego entrante requer uma política do Application Auto Scaling direcionada à variante do endpoint, o que o Elastic Inference não pode fornecer.

C

Incorreta

SageMaker Batch Transform

O Batch Transform processa conjuntos de dados inteiros de forma assíncrona em um único trabalho, e não como um endpoint persistente que pode ser dimensionado em tempo real para tráfego flutuante. É tentador porque lida com inferência em larga escala de forma eficiente quando a latência não é crítica, e seria correto para previsões offline em um conjunto de dados estático onde um endpoint em tempo real é desnecessário.

D

Incorreta

SageMaker Model Monitor

O Model Monitor detecta desvio de dados (data drift) e violações de qualidade em endpoints implantados; ele não provisiona capacidade nem ajusta a contagem de instâncias. Seria a escolha certa para detecção contínua de viés e desvio, mas o dimensionamento automático baseado em tráfego requer a configuração de uma política de auto-scaling na variante de produção do endpoint.

Para se aprofundar

O SageMaker Endpoint Auto Scaling usa o Application Auto Scaling para ajustar o número de instâncias por trás de um endpoint em tempo real com base nas métricas do CloudWatch. Você registra o endpoint como um destino escalável e, em seguida, anexa uma política de dimensionamento, mais comumente o TargetTrackingScaling na métrica SageMakerVariantInvocationsPerInstance com um valor de destino, além de períodos de espera (cooldowns) opcionais. Uma sutileza que vale a pena saber: a redução de capacidade (scale-in) é propositalmente conservadora porque remover capacidade enquanto há solicitações em andamento pode causar erros 5xx, portanto, ela usa períodos de espera mais longos do que o aumento de capacidade (scale-out). Além disso, cada variante de produção é dimensionada de forma independente, e você deve definir MinCapacity and MaxCapacity para limitar os custos. Isso é importante para um modelo que atende a um tráfego com picos repentinos, onde uma contagem fixa de instâncias desperdiça dinheiro na ociosidade ou descarta solicitações durante um pico.

Sobre estas questões de prática

Esta é uma das questões de prática originais de MLA-C01 da Courseiva, escrita para o aprendizado e nunca copiada de provas reais nem de dumps.

Traduzida do original em inglês com IA e conferida quanto ao sentido. Códigos de exame, comandos e nomes de produtos são mantidos como aparecem na prova.