FinTrust (AWS-Konto 111122223333) betreibt eine automatisierte ML-Pipeline in SageMaker Studio, die Transaktionsdaten vorverarbeiten, ein Betrugserkennungsmodell trainieren, es evaluieren und ein geprüftes Modellpaket im Model Registry registrieren muss. Sie müssen eine SageMaker Pipeline implementieren, die einen ProcessingStep zur Datenvorverarbeitung und -evaluierung, einen TrainingStep, der die verarbeiteten Daten konsumiert, und einen abschließenden RegisterModel-Schritt umfasst, der die durch die Evaluierung erzeugten Modellmetriken aufzeichnet. Welcher Pipeline-Implementierungsansatz erfüllt die Anforderung und stellt sicher, dass der RegisterModel-Schritt die vom ProcessingStep erzeugten Evaluierungsmetriken aufzeichnet?

Dieser Ansatz ist korrekt, da er die empfohlene Methode zur Integration von Evaluierungsmetriken aus einem ProcessingStep in einen RegisterModel-Schritt innerhalb einer SageMaker Pipeline darstellt. Der ProcessingStep kann die evaluation.json generieren, die die Metriken enthält. Durch die Verwendung einer PropertyFile im RegisterModel-Schritt, die auf diese evaluation.json verweist, werden die Evaluierungsmetriken korrekt im Modell-Registry erfasst. Die anderen Optionen sind aus folgenden Gründen inkorrekt: Ein einzelner TrainingStep, der alles inline durchführt und boto3.sagemaker.createmodel() aufruft, verstößt gegen die bewährten Methoden für modulare Pipelines und die Nutzung des SageMaker Model Registry. Die Verwendung eines CreateModelStep unmittelbar nach dem ProcessingStep und vor dem TrainingStep ist nicht die vorgesehene Reihenfolge für das Registrieren eines trainierten Modells und die Übergabe von Evaluierungsmetriken. Das Weglassen des RegisterModel-Schritts und das Verlassen auf eine nachgeschaltete Lambda-Funktion ist eine umständlichere und weniger integrierte Lösung, die die Vorteile der Pipeline-Automatisierung nicht voll ausschöpft.