Uma equipe de ML compartilha artefatos de modelo com outras equipes, mas retém o código e os dados de treinamento. Eles querem um mecanismo no momento da publicação para oferecer suporte a auditoria e transparência para seus modelos personalizados. Qual solução eles devem usar ao publicar esses modelos?

Publicar Amazon SageMaker Model Cards é a solução correta porque eles são projetados especificamente para fornecer transparência e auditabilidade para modelos de ML. Os Model Cards capturam informações essenciais como usos pretendidos, dados de treinamento, métricas de desempenho e detalhes de inferência, o que é crucial para equipes que compartilham artefatos de modelo sem o código ou dados de treinamento. Escrever documentação e armazená-la no Amazon S3 é uma solução manual e menos estruturada, que pode não garantir a consistência ou a facilidade de auditoria que os Model Cards oferecem. Usar AWS AI Service Cards não é aplicável, pois eles são para serviços de IA pré-treinados da AWS, não para modelos personalizados. Fornecer os scripts de treinamento não atende ao requisito de reter o código e os dados de treinamento, além de não fornecer um resumo estruturado para auditoria.