Les scientifiques des données ont besoin d'un contrôle précis sur les workflows ML, de la capacité de visualiser les tâches et les workflows sous forme de DAG, et d'un historique persistant des expériences avec la lignée des modèles pour l'audit et la conformité. Quelle solution AWS répond à ces besoins ?

La bonne réponse est d'utiliser SageMaker Pipelines avec l'intégration SageMaker Studio et SageMaker ML Lineage Tracking. SageMaker Pipelines est un service entièrement géré qui permet de créer, d'automatiser et de gérer des workflows ML de bout en bout, visualisables sous forme de DAG dans SageMaker Studio. Il offre le contrôle précis et la visibilité des tâches requis. SageMaker ML Lineage Tracking enregistre automatiquement les métadonnées des exécutions de pipelines, fournissant un historique persistant des expériences, la traçabilité des modèles et des artefacts pour l'audit et la conformité. Les autres options sont incorrectes car : AWS CodePipeline est un service CI/CD généraliste qui n'est pas optimisé pour les workflows ML complexes et la visualisation DAG native comme SageMaker Pipelines. SageMaker Experiments est excellent pour suivre les itérations de modèles individuels mais ne gère pas les workflows de bout en bout ni la visualisation DAG comme SageMaker Pipelines. Bien qu'il puisse être utilisé avec SageMaker Pipelines, il ne remplace pas la fonctionnalité de gestion de workflow de Pipelines.