HealthMetrics heeft een fraudedetectiemodel geïmplementeerd op een SageMaker real-time endpoint. Het team moet de herkomst (lineage) van het geïmplementeerde endpoint tot aan de preprocessing job, training job en evaluatie-artefacten die zijn gemaakt tijdens hun SageMaker Pipeline-runs, auditen en aantonen. Welke reeks acties en API's biedt de meest complete herkomst voor een geïmplementeerd model?

De correcte optie beschrijft het gebruik van SageMaker Lineage, dat speciaal is ontworpen om de herkomst van machine learning-artefacten, inclusief modellen, te traceren. Door te beginnen bij de ARN van het geïmplementeerde model en ListAssociations te gebruiken, kunnen alle gerelateerde upstream-componenten zoals preprocessing-jobs, training-jobs en evaluatie-artefacten worden geïdentificeerd en geïnspecteerd met DescribeArtifact, DescribeContext, of DescribeTrainingJob. Dit biedt een complete en gestructureerde manier om de herkomst te auditen. De andere opties zijn minder effectief of onjuist: CloudWatch-logs bevatten geen gestructureerde lineage-vermeldingen die direct linken naar alle benodigde artefacten. S3-objecttags zijn handmatig en bieden geen geautomatiseerde, complete lineage zoals SageMaker Lineage. AWS Config traceert configuratiewijzigingen van resources, maar biedt geen gedetailleerde lineage van de ML-workflow zelf.