FinTrust (AWS-account 111122223333) draait een geautomatiseerde ML-pipeline in SageMaker Studio die transactiedata moet voorbewerken, een fraudedetectiemodel moet trainen, evalueren en een gecontroleerd modelpakket moet registreren in de Model Registry. Je moet een SageMaker Pipeline implementeren die een ProcessingStep bevat voor het uitvoeren van datavoorbewerking en -evaluatie, een TrainingStep die de verwerkte data verbruikt, en een laatste RegisterModel-stap die modelstatistieken vastlegt die door de evaluatie zijn geproduceerd. Welke pipeline-implementatiebenadering voldoet aan de vereiste en zorgt ervoor dat de RegisterModel-stap de evaluatiestatistieken vastlegt die door de ProcessingStep zijn geproduceerd?

De correcte benadering is om de evaluatiestatistieken, opgeslagen in evaluation.json door de ProcessingStep, te gebruiken in de RegisterModel stap via een PropertyFile. De ProcessingStep voert de datavoorbewerking en evaluatie uit en schrijft de resultaten naar een ProcessingOutput. De TrainingStep gebruikt de output van de ProcessingStep als input voor training. De RegisterModel stap verwijst naar de modeldata van de TrainingStep en gebruikt een PropertyFile om de modelmetrics van de evaluation.json te koppelen, waardoor de evaluatiestatistieken correct worden vastgelegd. De andere opties zijn incorrect omdat: Een enkele TrainingStep die alles inline uitvoert, is minder modulair en maakt het moeilijker om stappen te hergebruiken of te debuggen. Het direct aanroepen van boto3.sagemaker.createmodel() vanuit het trainingsscript omzeilt de RegisterModel stap, wat de integratie met de Model Registry minder gestructureerd maakt. Een CreateModelStep direct na de ProcessingStep en een RegisterModel stap vóór de TrainingStep is onlogisch, aangezien het model pas na training wordt geregistreerd. Het weglaten van de RegisterModel stap en vertrouwen op een downstream Lambda om CreateModelPackage aan te roepen, is een minder geïntegreerde en meer complexe oplossing dan het gebruik van de ingebouwde RegisterModel stap van SageMaker Pipelines.