L'entreprise exige un workflow d'approbation manuel afin que seules les versions de modèle autorisées puissent être déployées sur les points de terminaison de production. Quelle solution répond à cette exigence ?

SageMaker Pipelines permet d'orchestrer des workflows ML complets, y compris l'enregistrement de modèles. Lorsqu'un modèle est enregistré dans le registre de modèles SageMaker, il a un statut d'approbation qui peut être modifié manuellement ou programmatiquement via l'AWS SDK. Cette approche répond directement à l'exigence d'un workflow d'approbation manuel avant le déploiement en production. SageMaker Experiments est utilisé pour organiser et suivre les itérations de modèles, pas pour gérer les approbations de déploiement. SageMaker ML Lineage Tracking enregistre les métadonnées sur le cycle de vie du modèle, mais n'est pas conçu pour un workflow d'approbation. SageMaker Model Monitor est utilisé pour détecter la dérive des données et des modèles après le déploiement, et non pour gérer le processus d'approbation avant le déploiement.