DataStream Inc. desidera una pipeline CI/CD ripetibile per lo sviluppo di modelli che: si attivi sui commit Git, esegua unit test e controlli statici, attivi l'addestramento di SageMaker Pipelines, registri un modello nel Model Registry e promuova a un endpoint di produzione dopo approvazione manuale. Il team preferisce utilizzare gli strumenti SageMaker gestiti per il provisioning dell'infrastruttura CI/CD (CodePipeline, CodeBuild, ruoli IAM). Quale approccio soddisfa al meglio i loro requisiti con pipeline manuali minime e si integra con SageMaker Studio per l'onboarding degli sviluppatori?

L'opzione corretta è la migliore perché i progetti SageMaker con il modello MLOps (CI/CD) integrato sono progettati specificamente per soddisfare tutti i requisiti elencati. Essi automatizzano il provisioning dell'infrastruttura CI/CD (CodePipeline, CodeBuild, ruoli IAM), si attivano sui commit Git, eseguono test, attivano SageMaker Pipelines, registrano modelli e includono approvazioni manuali per la promozione, integrandosi perfettamente con SageMaker Studio per l'onboarding. Le altre opzioni sono meno efficienti o non soddisfano tutti i requisiti: Creare manualmente template CloudFormation richiede uno sforzo significativo per la configurazione e la manutenzione, andando contro il desiderio di "pipeline manuali minime". Utilizzare solo CodeBuild per orchestrare tutto è meno robusto di una pipeline CI/CD completa e non offre la gestione delle fasi e delle approvazioni di CodePipeline. Creare un webhook personalizzato con Lambda per orchestrare il processo è una soluzione complessa e meno gestita, che non sfrutta le capacità integrate di SageMaker per l'MLOps e non include direttamente CodeBuild o CodePipeline per la CI/CD strutturata.