Het bedrijf vereist een workflow voor handmatige goedkeuring, zodat alleen geautoriseerde modelversies kunnen worden geïmplementeerd op productie-endpoints. Welke oplossing voldoet aan deze vereiste?

De correcte oplossing is het gebruik van SageMaker Pipelines in combinatie met de AWS SDK. Wanneer een modelversie in het SageMaker Model Registry wordt geregistreerd, kan een handmatige goedkeuringsstap in de pipeline worden ingebouwd. De AWS SDK kan vervolgens worden gebruikt om programmatisch de status van de modelversie te wijzigen naar "Approved" nadat de handmatige controle heeft plaatsgevonden. Dit zorgt ervoor dat alleen goedgekeurde modellen naar productie worden gepromoveerd. SageMaker Experiments is bedoeld voor het organiseren en vergelijken van trainingsruns, niet voor goedkeuringsworkflows. SageMaker ML Lineage Tracking is voor het vastleggen van de herkomst van ML-artefacten, niet voor het beheren van goedkeuringsstatussen. SageMaker Model Monitor richt zich op het detecteren van drift in modelprestaties na implementatie, niet op het initiële goedkeuringsproces.