FinTrust(AWS 계정 111122223333)는 SageMaker Studio에서 자동화된 ML 파이프라인을 실행합니다. 이 파이프라인은 트랜잭션 데이터를 사전 처리하고, 사기 탐지 모델을 훈련하고, 평가한 다음, 검증된 모델 패키지를 Model Registry에 등록해야 합니다. 데이터 사전 처리 및 평가를 실행하는 ProcessingStep, 처리된 데이터를 사용하는 TrainingStep, 그리고 평가에서 생성된 모델 지표를 기록하는 최종 RegisterModel 단계를 포함하는 SageMaker Pipeline을 구현해야 합니다. 어떤 파이프라인 구현 방식이 요구 사항을 충족하고 RegisterModel 단계가 ProcessingStep에서 생성된 평가 지표를 기록하도록 보장합니까?

이 옵션은 SageMaker 파이프라인의 모범 사례를 따르며 각 단계의 역할을 명확하게 분리합니다. ProcessingStep은 데이터 전처리 및 모델 평가를 담당하고, TrainingStep은 처리된 데이터를 사용하여 모델을 훈련합니다. RegisterModel 단계는 TrainingStep에서 생성된 모델 아티팩트와 ProcessingStep에서 생성된 평가 지표(PropertyFile을 통해 참조)를 모두 사용하여 모델 레지스트리에 모델 패키지를 등록합니다. 다른 옵션들은 다음과 같은 이유로 적절하지 않습니다. 단일 TrainingStep에서 모든 작업을 수행하는 것은 파이프라인의 모듈성을 저해하고, boto3 호출은 파이프라인의 선언적 특성을 벗어납니다. CreateModelStep을 TrainingStep 이전에 사용하는 것은 일반적인 워크플로우가 아니며, 훈련 전에 모델을 등록하는 것은 비효율적입니다. RegisterModel 단계를 생략하고 Lambda를 사용하는 것은 파이프라인 내에서 모델 등록을 직접 처리하는 것보다 복잡하고 관리하기 어렵습니다.