FinTrust (account AWS 111122223333) esegue una pipeline ML automatizzata in SageMaker Studio che deve pre-elaborare i dati delle transazioni, addestrare un modello di rilevamento frodi, valutarlo e registrare un pacchetto di modelli verificato nel Model Registry. È necessario implementare una SageMaker Pipeline che includa un ProcessingStep per eseguire la pre-elaborazione e la valutazione dei dati, un TrainingStep che consuma i dati pre-elaborati e un RegisterModel step finale che registra le metriche del modello prodotte dalla valutazione. Quale approccio di implementazione della pipeline soddisfa il requisito e garantisce che il RegisterModel step registri le metriche di valutazione prodotte dal ProcessingStep?

L'approccio corretto prevede l'uso di un ProcessingStep per la pre-elaborazione e la valutazione, che produce un file evaluation.json. Il TrainingStep consuma i dati pre-elaborati. Infine, il RegisterModel step è configurato per registrare le metriche di valutazione. Questo viene fatto referenziando TrainingStep.modeldata per l'artefatto del modello e utilizzando un PropertyFile che punta a evaluation.json generato dal ProcessingStep. Questo garantisce che le metriche di valutazione siano correttamente associate al pacchetto del modello registrato. Le altre opzioni sono errate perché: Definire un singolo TrainingStep che esegue pre-elaborazione e valutazione in linea e poi chiama boto3.sagemaker.createmodel() dallo script di training non sfrutta appieno le capacità di orchestrazione e tracciabilità di SageMaker Pipelines e non utilizza il RegisterModel step per la registrazione delle metriche. Utilizzare un CreateModelStep immediatamente dopo il ProcessingStep e un RegisterModel step prima del TrainingStep è un flusso logico errato; il modello dovrebbe essere creato e registrato dopo l'addestramento, non prima. Omettere il RegisterModel step e affidarsi a una Lambda esterna per chiamare CreateModelPackage è un approccio meno integrato e più complesso, che non sfrutta la funzionalità nativa di SageMaker Pipelines per la registrazione dei modelli e delle metriche.