A FinTrust (conta AWS 111122223333) executa um pipeline de ML automatizado no SageMaker Studio que deve pré-processar dados de transação, treinar um modelo de detecção de fraude, avaliá-lo e registrar um pacote de modelo verificado no Model Registry. Você precisa implementar um SageMaker Pipeline que inclua um ProcessingStep para executar o pré-processamento e a avaliação dos dados, um TrainingStep que consuma os dados processados e um passo RegisterModel final que registre as métricas do modelo produzidas pela avaliação. Qual abordagem de implementação de pipeline atende ao requisito e garante que o passo RegisterModel registre as métricas de avaliação produzidas pelo ProcessingStep?

A abordagem correta utiliza um ProcessingStep para pré-processamento e avaliação, gravando as métricas em um arquivo evaluation.json em um ProcessingOutput. O TrainingStep consome os dados processados. O RegisterModel é o passo final, e ele referencia TrainingStep.modeldata para o artefato do modelo e, crucialmente, usa um PropertyFile para apontar para o evaluation.json gerado no ProcessingStep. Isso garante que as métricas de avaliação sejam corretamente associadas ao modelo registrado. As outras opções são incorretas porque: A segunda opção não usa o RegisterModel do SageMaker Pipelines, que é o método preferencial para registrar modelos e suas métricas de forma integrada. A terceira opção inverte a ordem lógica, tentando registrar um modelo antes do treinamento e avaliação completos. A quarta opção omite o RegisterModel, dependendo de uma função Lambda externa, o que não atende ao requisito de um pipeline integrado que registra o modelo e suas métricas.