Une équipe ML partage des artefacts de modèle avec d'autres équipes, mais conserve le code et les données d'entraînement. Elle souhaite un mécanisme au moment de la publication pour prendre en charge l'audit et la transparence de ses modèles personnalisés. Quelle solution devrait-elle utiliser lors de la publication de ces modèles ?

Les Amazon SageMaker Model Cards sont conçues pour fournir une transparence et une auditabilité complètes des modèles de ML. Elles permettent de documenter l'objectif du modèle, les données d'entraînement utilisées, les performances, les biais potentiels et les détails d'inférence, ce qui est exactement ce que l'équipe recherche pour l'audit et la transparence. Rédiger une documentation dans Amazon S3 est une approche moins structurée et ne garantit pas la conformité ou la facilité d'audit. Les AWS AI Service Cards sont destinées aux services d'IA pré-entraînés d'AWS, et non aux modèles personnalisés. Fournir les scripts d'entraînement dans un référentiel Git est utile pour la reproductibilité, mais ne couvre pas tous les aspects de la transparence et de l'auditabilité requis pour les artefacts de modèle.