HealthAI Diagnostics is van plan een Model Card te publiceren voor een radiologiemodel voordat het wordt gepromoveerd van een SageMaker Model Registry staging package naar productie. Het compliance-team vereist dat de Model Card een verklaring van het beoogde gebruik, evaluatieresultaten per demografische slice en een risicobeoordeling met mitigatiestappen bevat. Welke praktijk zal het beste voldoen aan de vereiste en het operationele gebruik met SageMaker stroomlijnen?

De correcte optie is om een Model Card JSON-document te maken en dit toe te voegen aan het SageMaker Model Package. Dit voldoet het beste aan de vereisten omdat SageMaker Model Cards specifiek zijn ontworpen om uitgebreide modelinformatie, inclusief beoogd gebruik, evaluatieresultaten (vaak verkregen via SageMaker Clarify of processing jobs) en risicobeoordelingen, gestructureerd en versiebeheerd op te slaan binnen het Model Registry. Dit zorgt ervoor dat de Model Card samen met het modelpakket meereist tijdens promotie naar productie, wat de compliance en operationele efficiëntie stroomlijnt. De andere opties zijn minder optimaal: Het opslaan van platte-tekst samenvattingen in S3 en het opnemen van de URI in de metadata is minder gestructureerd en vereist handmatige toegang en interpretatie, wat foutgevoeliger is. Het loggen van evaluatiegegevens als CloudWatch custom metrics is nuttig voor monitoring, maar biedt geen gestructureerde Model Card voor compliance-doeleinden en omvat niet alle vereiste elementen zoals beoogd gebruik en risicobeperking. Vertrouwen op SageMaker Model Monitor om de Model Card automatisch te genereren na implementatie voldoet niet aan de eis om de Model Card voor promotie naar productie te hebben en omvat niet alle vereiste informatie.