Los científicos de datos requieren un control preciso sobre los flujos de trabajo de ML, la capacidad de visualizar trabajos y flujos de trabajo como un DAG, y un historial persistente de experimentos con linaje de modelos para auditoría y cumplimiento. ¿Qué solución de AWS satisface estas necesidades?

La opción correcta es "Utilizar SageMaker Pipelines con integración de SageMaker Studio para gestionar los flujos de trabajo, y utilizar SageMaker ML Lineage Tracking para el historial de experimentos y las auditorías". SageMaker Pipelines es un servicio diseñado específicamente para crear, automatizar y gestionar flujos de trabajo de ML de extremo a extremo, permitiendo la visualización como un DAG y un control preciso. Su integración con SageMaker Studio proporciona una interfaz unificada para la orquestación. SageMaker ML Lineage Tracking registra automáticamente el linaje de los modelos, incluyendo datos de entrada, algoritmos y parámetros, lo cual es crucial para la auditoría y el cumplimiento. Las otras opciones son incorrectas porque: AWS CodePipeline es una herramienta de CI/CD más general y no está optimizada para la orquestación de flujos de trabajo de ML complejos con visualización de DAG. SageMaker Experiments se centra en el seguimiento de experimentos individuales y sus métricas, pero no proporciona la orquestación de flujos de trabajo ni el seguimiento de linaje de modelos de forma tan completa como SageMaker Pipelines y SageMaker ML Lineage Tracking, respectivamente.