Een ML-team deelt modelartefacten met andere teams, maar behoudt de trainingscode en -gegevens. Ze willen een publicatiemechanisme ter ondersteuning van auditing en transparantie voor hun aangepaste modellen. Welke oplossing moeten ze gebruiken bij het publiceren van deze modellen?

Amazon SageMaker Model Cards zijn specifiek ontworpen om transparantie, auditability en governance te bieden voor machine learning-modellen. Ze leggen essentiële informatie vast zoals het beoogde gebruik, trainingsgegevens, evaluatiestatistieken, ethische overwegingen en inferentiedetails, wat cruciaal is voor het delen van modellen met andere teams. Dit ondersteunt de vereiste auditing en transparantie. Het schrijven van documentatie in Amazon S3 is een algemene opslagoplossing, maar mist de gestructureerde en specifieke functionaliteit van Model Cards voor ML-modellen. AWS AI Service Cards zijn gericht op AWS AI-services, niet op aangepaste modellen. Het leveren van trainingsscripts naar een Git-repository biedt wel versiebeheer voor code, maar mist de context en metadata over het getrainde model zelf die Model Cards wel bieden.