Amazon AIF-C01: MLOps en Deployment — Studiegids
Onderdeel van de AWS AI Practitioner AIF-C01 — Studiegids. Oefen met geverifieerde antwoorden in het Amazon-examencentrum, of doe getimede oefentests op ExamRoll.io.
Verklaarbaarheid, Model Cards en compliance-ready controles
Verklaarbaarheid moet operationeel, auditeerbaar en afgestemd zijn op de behoeften van stakeholders. Amazon SageMaker Clarify biedt bias-controles vóór de training, bias-metrieken na de training en feature-attributies per voorspelling via SHAP, die kunnen worden geproduceerd tijdens inferentie of in offline batches. Runtime-verklaringen moeten worden gelogd samen met voorspellingen en input-fingerprints om traceerbaarheid te garanderen; sla verklaringen op in S3 en indexeer ze om ze te kunnen ophalen. Model Cards documenteren het beoogde gebruik, de herkomst van de data, evaluatiemetrieken voor relevante ‘slices’, bekende beperkingen en prestatie-aandachtspunten; beheer versies van model cards binnen de Model Registry om aan governance-eisen te voldoen. Financiële en gereguleerde use cases vereisen deterministische audittrails: bewaar modelartefacten, hyperparameters, evaluatiedata en verklaringenlogs; implementeer ‘human-in-the-loop’ goedkeuringsstappen voor beslissingen met een hoge impact en onderhoud ‘counterfactual’ verklaringen voor uitdagende gevallen. Voor een veilige integratie met beheerde foundation models, gebruik AWS PrivateLink interface-eindpunten om Amazon Bedrock aan te roepen vanuit een VPC, versleutel payloads met KMS en pas fijnmazige IAM- en netwerkcontroles toe. De keuze van services voor de opslag van embeddings en vector search hangt af van de ophaalbehoeften; vergelijk opties op basis van prestaties en operationele kosten:
- Amazon OpenSearch Service (k-NN): schaalbare vector search met geïntegreerde analytics
- Amazon Kendra: beheerde semantische zoekfunctie met ingebouwde connectors en enterprise-functies
- Amazon RDS (Postgres + pgvector): transactionele vectoropslag, eenvoudiger voor relationele datasets
- Custom ANN op Amazon EKS of ECS: hoogste flexibiliteit voor NMSLIB/FAISS, maar een grotere operationele last
Praktijkprobleem: Use-Case Scenario
Scenario: FinSight beheert een pipeline voor kredietbeslissingen in AWS en gebruikt SageMaker voor modeltraining, Bedrock voor aanvullende generatieve verklaringen en Amazon S3 voor data. Modellen worden geïmplementeerd als SageMaker real-time eindpunten binnen een VPC, en Model Monitor is ingeschakeld om inkomende features te profileren.
Uitdaging: Model Monitor heeft feature-drift gesignaleerd die de drempelwaarden overschrijdt, en bedrijfsregelgeving vereist auditeerbare, verklaarbare beslissingen voor alle geautomatiseerde wijzigingen in kredietlimieten.
Aanbevolen Aanpak:
- Gebruik SageMaker Model Monitor-alerts om een EventBridge-regel te activeren die de drift-data naar een SageMaker Pipelines-hertrainingsworkflow stuurt, en maak een snapshot van de huidige inferentie- en recente inputdata naar een S3-quarantainebucket.
- Voer een geautomatiseerde validatietaak uit binnen SageMaker Pipelines die recente datadistributies vergelijkt met de baseline, evaluatiemetrieken berekent (precision/recall/F1) en per sample SHAP-verklaringen produceert met SageMaker Clarify voor een representatieve cohort.
- Als de geautomatiseerde controles slagen, registreer dan het nieuwe model in de SageMaker Model Registry met een bijgewerkte Model Card die de prestatie-‘slices’ en verklaringen vastlegt; gebruik een endpoint-variant en ’traffic shifting’ voor een gefaseerde uitrol. Als de controles mislukken, maak dan een incident aan in de ops-wachtrij en start een menselijke beoordelingsstap vóór enige uitrol.
- Voor veilige Bedrock-aanroepen die voor mensen leesbare verklaringen genereren, routeer het Bedrock-verkeer via AWS PrivateLink en versleutel payloads met KMS; log alle verklaringenoutputs in S3 en koppel ze aan inferentie-records voor auditeerbaarheid.
Rationale: Deze aanpak combineert geautomatiseerde detectie, reproduceerbare validatie en een bewaakte implementatie met audittrails en verklaringen per beslissing. Dit brengt operationele controles in lijn met reglementaire transparantie en minimaliseert onterechte hertrainings- of terugdraaiacties.
← Modeltraining · Alle domeinen · Kostenoptimalisatie en Prijsstelling voor AI →
Oefen deze vragen → · Getimede oefening op ExamRoll.io →
Pass the whole exam — not just this question
You found this answer. Get every verified question and explanation in one place, and save hours of prep. Free to start.
Slaag voor je examen →