HealthMetrics wdrożyło model wykrywania oszustw do punktu końcowego SageMaker w czasie rzeczywistym. Zespół musi przeprowadzić audyt i wykazać pochodzenie od wdrożonego punktu końcowego z powrotem do zadania wstępnego przetwarzania, zadania szkoleniowego i artefaktów oceny utworzonych w ramach uruchomień SageMaker Pipeline. Jaka sekwencja działań i interfejsów API zapewnia najbardziej kompletne pochodzenie dla wdrożonego modelu?

Prawidłowa odpowiedź wykorzystuje możliwości śledzenia pochodzenia danych w SageMaker. Rozpoczynając od ARN wdrożonego modelu lub pakietu modelu i używając ListAssociations z SageMaker Lineage, można uzyskać powiązane artefakty i konteksty. Następnie, za pomocą DescribeArtifact, DescribeContext, GetTrialComponent lub DescribeTrainingJob, można prześledzić pochodzenie modelu wstecz do zadań przetwarzania wstępnego, szkoleniowych i oceny, które zostały zarejestrowane przez SageMaker Lineage. Jest to najbardziej kompletna i bezpośrednia metoda, ponieważ SageMaker Lineage jest zaprojektowany do rejestrowania i wizualizowania tych powiązań. Pozostałe opcje są nieprawidłowe, ponieważ: Logi CloudWatch nie zawierają ustrukturyzowanych wpisów pochodzenia w sposób, który pozwalałby na łatwe i kompletne śledzenie. Tagi obiektów S3 są metodą ręczną i nie zapewniają automatycznego, kompleksowego śledzenia pochodzenia, zwłaszcza że SageMaker przechowuje skojarzenia pochodzenia. AWS Config śledzi zmiany konfiguracji zasobów, ale nie jest przeznaczony do śledzenia powiązań między modelem a jego komponentami szkoleniowymi i przetwarzającymi w sposób, który zapewnia SageMaker Lineage.