FinTrust (compte AWS 111122223333) exécute un pipeline ML automatisé dans SageMaker Studio qui doit prétraiter les données de transaction, entraîner un modèle de détection de fraude, l'évaluer et enregistrer un package de modèle validé dans le Model Registry. Vous devez implémenter un SageMaker Pipeline qui inclut un ProcessingStep pour exécuter le prétraitement et l'évaluation des données, un TrainingStep qui consomme les données prétraitées, et une étape finale RegisterModel qui enregistre les métriques du modèle produites par l'évaluation. Quelle approche d'implémentation de pipeline répond à l'exigence et garantit que l'étape RegisterModel enregistre les métriques d'évaluation produites par le ProcessingStep ?

L'approche correcte utilise un ProcessingStep pour le prétraitement et l'évaluation, en écrivant les métriques dans un fichier evaluation.json. Le TrainingStep consomme les données prétraitées. Enfin, le RegisterModel référence les artefacts du modèle du TrainingStep et utilise un PropertyFile pour pointer vers le evaluation.json généré par le ProcessingStep. Cela garantit que les métriques d'évaluation sont correctement associées au modèle enregistré dans le Model Registry. Les autres options sont incorrectes car : La deuxième option ne sépare pas les étapes de prétraitement/évaluation et d'entraînement, et l'enregistrement direct via boto3 n'est pas l'approche idiomatique de SageMaker Pipelines pour l'enregistrement de modèles avec métriques. La troisième option place le RegisterModel avant le TrainingStep, ce qui enregistrerait un modèle non entraîné ou non évalué, et CreateModelStep n'est pas conçu pour enregistrer des métriques d'évaluation de cette manière. La quatrième option omet le RegisterModel et s'appuie sur des fonctions externes, ce qui va à l'encontre du but d'un pipeline automatisé et intégré pour l'enregistrement de modèles avec métriques.