Un ingénieur ML doit utiliser AWS CloudFormation pour créer le modèle ML qu'un point de terminaison Amazon SageMaker hébergera. Quelle ressource CloudFormation l'ingénieur doit-il déclarer pour représenter ce modèle ?

La ressource AWS::SageMaker::Model est la bonne réponse car elle représente un modèle d'apprentissage automatique qui peut être déployé sur un point de terminaison SageMaker. Cette ressource spécifie l'emplacement des artefacts du modèle et le conteneur Docker à utiliser pour l'inférence. AWS::SageMaker::Endpoint est incorrect car cette ressource représente le point de terminaison lui-même, qui est l'instance déployée du modèle, pas le modèle en tant que tel. AWS::SageMaker::NotebookInstance est incorrect car il s'agit d'un environnement de développement interactif pour l'expérimentation et l'entraînement, et non d'une ressource de modèle pour le déploiement. AWS::SageMaker::Pipeline est incorrect car il définit un workflow MLOps pour l'entraînement et le déploiement, et non le modèle individuel.