Un equipo de ML comparte artefactos de modelos con otros equipos, pero conserva el código y los datos de entrenamiento. Quieren un mecanismo en el momento de la publicación para respaldar la auditoría y la transparencia de sus modelos personalizados. ¿Qué solución deberían usar al publicar esos modelos?

La opción correcta es publicar Amazon SageMaker Model Cards porque están diseñadas específicamente para proporcionar transparencia y auditabilidad de los modelos de ML. Las Model Cards permiten documentar los usos previstos, los datos de entrenamiento, los detalles de inferencia, las métricas de rendimiento y las limitaciones del modelo, lo cual es crucial para la auditoría y la transparencia al compartir artefactos de modelos. Escribir documentación en Amazon S3 es una solución genérica de almacenamiento de archivos que carece de la estructura y las características específicas para la documentación de modelos de ML que ofrecen las Model Cards. Usar AWS AI Service Cards no es aplicable, ya que estas se refieren a la documentación de servicios de IA preentrenados de AWS, no a modelos personalizados. Proporcionar scripts de entrenamiento en un repositorio de Git es útil para la reproducibilidad del código, pero no aborda la necesidad de documentar los detalles del modelo, sus usos y sus limitaciones de manera estructurada para la auditoría y la transparencia.