Analitycy danych wymagają szczegółowej kontroli nad przepływami pracy ML, możliwości wizualizacji zadań i przepływów pracy jako DAG oraz trwałej historii eksperymentów z pochodzeniem modelu do celów audytu i zgodności. Które rozwiązanie AWS spełnia te potrzeby?

Prawidłowa odpowiedź to SageMaker Pipelines z integracją SageMaker Studio i SageMaker ML Lineage Tracking. SageMaker Pipelines umożliwia tworzenie, orkiestrację i automatyzację przepływów pracy ML jako DAG, co jest kluczowe dla szczegółowej kontroli i wizualizacji. Integracja z SageMaker Studio zapewnia kompleksowe środowisko do zarządzania tymi przepływami. SageMaker ML Lineage Tracking automatycznie rejestruje pochodzenie modeli, dane wejściowe, parametry i metryki, co jest niezbędne do audytu i zgodności. Pozostałe opcje są mniej odpowiednie: AWS CodePipeline jest narzędziem CI/CD ogólnego przeznaczenia, a nie specjalistycznym rozwiązaniem do orkiestracji przepływów pracy ML jako DAG. SageMaker Experiments służy głównie do śledzenia eksperymentów i ich metryk, ale nie oferuje kompleksowej orkiestracji całych przepływów pracy ML ani wizualizacji jako DAG w taki sposób, jak SageMaker Pipelines.