HealthMetrics a déployé un modèle de détection de fraude sur un endpoint SageMaker en temps réel. L'équipe doit auditer et montrer la traçabilité depuis le endpoint déployé jusqu'au job de prétraitement, au job d'entraînement et aux artefacts d'évaluation créés lors de leurs exécutions de SageMaker Pipeline. Quelle séquence d'actions et d'API fournit la traçabilité la plus complète pour un modèle déployé ?

L'option correcte décrit l'utilisation de SageMaker Lineage, qui est conçu spécifiquement pour la traçabilité des modèles. En commençant par l'ARN du modèle ou du ModelPackage déployé et en utilisant ListAssociations avec SourceArn, on peut récupérer les associations d'artefacts et de contextes. Ensuite, en utilisant des API comme DescribeArtifact, DescribeContext, GetTrialComponent, ou DescribeTrainingJob, il est possible de remonter la chaîne de provenance à travers les étapes de prétraitement, d'entraînement et d'évaluation, fournissant ainsi une traçabilité complète et structurée. Les autres options sont incorrectes car : Interroger les logs CloudWatch peut fournir des informations sur l'exécution, mais ne fournit pas une traçabilité structurée et complète des artefacts et des étapes du pipeline comme le fait SageMaker Lineage. L'utilisation des balises S3 est une approche manuelle et ne fournit pas la traçabilité automatique et intégrée que SageMaker Lineage offre. De plus, l'affirmation que SageMaker ne stocke pas les associations de traçabilité est fausse. AWS Config est utile pour l'historique de configuration des ressources, mais ne fournit pas la traçabilité détaillée des artefacts et des exécutions du pipeline de machine learning comme le fait SageMaker Lineage.