Ein ML-Ingenieur muss AWS CloudFormation verwenden, um das ML-Modell zu erstellen, das ein Amazon SageMaker-Endpunkt hosten wird. Welche CloudFormation-Ressource sollte der Ingenieur deklarieren, um dieses Modell darzustellen?

Die Ressource AWS::SageMaker::Model ist die korrekte Wahl, da sie die ML-Modellartefakte und die Inferenz-Container-Definitionen für die Bereitstellung auf einem SageMaker-Endpunkt kapselt. Ein SageMaker-Modell ist die logische Darstellung Ihres trainierten Modells. AWS::SageMaker::Endpoint ist falsch, da dies den bereitgestellten Endpunkt selbst darstellt, der ein zuvor definiertes Modell hostet, aber nicht das Modell selbst. AWS::SageMaker::NotebookInstance ist falsch, da dies eine Jupyter-Notebook-Umgebung für die Entwicklung und das Training ist, nicht die Modellressource für die Bereitstellung. AWS::SageMaker::Pipeline ist falsch, da dies eine Workflow-Orchestrierungsressource für ML-Workflows ist, die Schritte wie Datenverarbeitung, Training und Modellregistrierung umfasst, aber nicht das einzelne Modellobjekt.