Ein ML-Team teilt Modellartefakte mit anderen Teams, behält aber den Trainingscode und die Daten. Sie möchten einen Veröffentlichungsmechanismus, der Auditing und Transparenz für ihre benutzerdefinierten Modelle unterstützt. Welche Lösung sollten sie verwenden, wenn sie diese Modelle veröffentlichen?

Amazon SageMaker Model Cards sind die korrekte Lösung, da sie speziell dafür entwickelt wurden, Transparenz und Auditierbarkeit für ML-Modelle zu bieten. Sie ermöglichen es Teams, wichtige Informationen wie Verwendungszweck, Trainingsdaten, Metriken und potenzielle Verzerrungen zu dokumentieren und zu teilen. Dies erfüllt die Anforderung an einen Veröffentlichungsmechanismus mit Auditing und Transparenz. Das Erstellen von Dokumentation in S3 ist zu generisch und bietet keine standardisierte Struktur für Modellinformationen. AWS AI Service Cards sind für verwaltete AWS AI-Services gedacht, nicht für benutzerdefinierte Modelle. Das Bereitstellen von Trainingsskripten in Git bietet zwar Code-Transparenz, aber keine umfassende Dokumentation der Modellartefakte selbst oder deren Eigenschaften.