FinTrust (konto AWS 111122223333) uruchamia zautomatyzowany potok ML w SageMaker Studio, który musi wstępnie przetwarzać dane transakcyjne, trenować model wykrywania oszustw, oceniać go i rejestrować sprawdzony pakiet modelu w Model Registry. Musisz zaimplementować SageMaker Pipeline, który zawiera ProcessingStep do uruchamiania wstępnego przetwarzania i oceny danych, TrainingStep, który zużywa przetworzone dane, oraz końcowy krok RegisterModel, który rejestruje metryki modelu wygenerowane przez ocenę. Które podejście do implementacji potoku spełnia wymagania i zapewnia, że krok RegisterModel rejestruje metryki oceny wygenerowane przez ProcessingStep?

Prawidłowa odpowiedź opisuje standardowy i zalecany sposób implementacji potoku SageMaker, który obejmuje wstępne przetwarzanie, trenowanie, ocenę i rejestrację modelu. ProcessingStep jest używany do wstępnego przetwarzania danych i generowania pliku evaluation.json zawierającego metryki oceny. TrainingStep zużywa przetworzone dane. Następnie RegisterModel odwołuje się do artefaktu modelu z TrainingStep i, co kluczowe, używa PropertyFile do wskazania pliku evaluation.json wygenerowanego w ProcessingStep, zapewniając, że metryki oceny są rejestrowane razem z modelem. Pozostałe opcje są nieprawidłowe: Druga opcja nie jest zalecana, ponieważ łączenie wstępnego przetwarzania, trenowania i oceny w jednym kroku treningowym zmniejsza modułowość i utrudnia debugowanie. Bezpośrednie wywołanie boto3.sagemaker.createmodel() z poziomu skryptu treningowego omija korzyści płynące z Model Registry. Trzecia opcja jest błędna, ponieważ CreateModelStep jest używany do tworzenia modelu z artefaktów, ale rejestracja modelu przed trenowaniem jest nielogiczna i nie pozwala na rejestrację metryk z oceny po trenowaniu. Czwarta opcja omija kluczowy krok RegisterModel, który jest niezbędny do zarządzania wersjami modeli i ich metrykami w Model Registry. Opieranie się na zewnętrznej funkcji Lambda komplikuje architekturę i jest mniej zintegrowane.