HealthMetrics hat ein Betrugserkennungsmodell in einem SageMaker-Echtzeit-Endpunkt bereitgestellt. Das Team muss die Herkunft vom bereitgestellten Endpunkt zurück zum Vorverarbeitungsauftrag, Trainingsauftrag und den Bewertungsartefakten, die in ihren SageMaker Pipeline-Läufen erstellt wurden, prüfen und nachweisen. Welche Abfolge von Aktionen und APIs bietet die vollständigste Herkunft für ein bereitgestelltes Modell?

Die korrekte Antwort bietet den umfassendsten und direktesten Weg zur Verfolgung der Modellherkunft in SageMaker. SageMaker Lineage zeichnet automatisch Assoziationen zwischen Modellen, Artefakten, Trainingsaufträgen und anderen Komponenten auf. Durch das Starten mit der Model- oder ModelPackage-ARN und die Verwendung von ListAssociations kann man diese Verbindungen effizient durchlaufen und Details zu den einzelnen Komponenten mit DescribeArtifact, DescribeContext oder DescribeTrainingJob abrufen. Die anderen Optionen sind unzureichend: CloudWatch-Protokolle enthalten keine strukturierten Herkunftseinträge, die direkt auf S3-Artefakt-ARNs verweisen, und das Parsen von Protokollen ist ineffizient. S3-Objekt-Tags sind keine native SageMaker-Herkunftslösung und erfordern manuelle Implementierung, da SageMaker Herkunftsassoziationen speichert. AWS Config verfolgt Konfigurationsänderungen an Ressourcen, bietet aber keine detaillierte Herkunftsverfolgung von ML-Artefakten und Trainingsläufen.