Ein Unternehmen erstellt ein ML-Modell mit Amazon SageMaker und benötigt eine zentralisierte Möglichkeit, Feature-Variablen teamübergreifend zu teilen und zu verwalten. Welche SageMaker-Funktion sollten sie verwenden?

Amazon SageMaker Feature Store ist die korrekte Wahl, da er eine zentralisierte Repository für das Speichern, Teilen und Verwalten von ML-Features bietet. Dies ermöglicht Teams, Features konsistent wiederzuverwenden und die Modellentwicklung zu beschleunigen. Amazon SageMaker Data Wrangler wird für die Datenaufbereitung und Feature-Engineering verwendet, ist aber keine zentrale Feature-Verwaltungslösung. Amazon SageMaker Clarify dient der Erkennung von Bias und der Erklärbarkeit von Modellen. Amazon SageMaker Model Cards werden zur Dokumentation von Modellinformationen und zur Verbesserung der Governance eingesetzt.