FinTrust (cuenta de AWS 111122223333) ejecuta un pipeline de ML automatizado en SageMaker Studio que debe preprocesar datos de transacciones, entrenar un modelo de detección de fraude, evaluarlo y registrar un paquete de modelo verificado en el Model Registry. Debe implementar un SageMaker Pipeline que incluya un ProcessingStep para ejecutar el preprocesamiento y la evaluación de datos, un TrainingStep que consuma los datos procesados y un paso RegisterModel final que registre las métricas del modelo producidas por la evaluación. ¿Qué enfoque de implementación de pipeline cumple con el requisito y garantiza que el paso RegisterModel registre las métricas de evaluación producidas por el ProcessingStep?

La opción correcta describe el flujo de trabajo estándar para un pipeline de SageMaker que incluye preprocesamiento, entrenamiento y registro de modelos con métricas. El ProcessingStep se encarga del preprocesamiento y la evaluación, generando un archivo evaluation.json con las métricas. El TrainingStep consume los datos procesados. Finalmente, el RegisterModel hace referencia al artefacto del modelo del TrainingStep y utiliza un PropertyFile para extraer las métricas de evaluación del evaluation.json generado por el ProcessingStep, asegurando que las métricas correctas se registren con el paquete del modelo. Las opciones incorrectas son: La segunda opción no utiliza un RegisterModel y registra el modelo directamente desde el script de entrenamiento, lo cual no es la práctica recomendada para pipelines y dificulta la trazabilidad y gestión de versiones. La tercera opción propone registrar el modelo antes del entrenamiento, lo cual es ilógico ya que el modelo aún no ha sido entrenado y evaluado. La cuarta opción omite el RegisterModel y depende de una función Lambda externa, lo que complica el pipeline y no es la forma nativa de SageMaker para registrar modelos con métricas.