FinTrust (AWS account 111122223333) запускает автоматизированный конвейер ML в SageMaker Studio, который должен предварительно обрабатывать данные транзакций, обучать модель обнаружения мошенничества, оценивать ее и регистрировать проверенный пакет моделей в Model Registry. Вам необходимо реализовать SageMaker Pipeline, который включает ProcessingStep для выполнения предварительной обработки и оценки данных, TrainingStep, который потребляет обработанные данные, и конечный шаг RegisterModel, который записывает метрики модели, полученные в результате оценки. Какой подход к реализации конвейера соответствует требованиям и гарантирует, что шаг RegisterModel записывает метрики оценки, полученные в результате ProcessingStep?

Правильный подход заключается в использовании ProcessingStep для создания файла evaluation.json, содержащего метрики оценки. Затем TrainingStep использует обработанные данные для обучения модели. Наконец, RegisterModel ссылается на TrainingStep.modeldata для регистрации модели и использует PropertyFile для указания на evaluation.json, что позволяет включить метрики оценки в пакет модели. Остальные варианты неверны: Объединение предварительной обработки, обучения и оценки в одном TrainingStep не позволяет гибко управлять шагами конвейера и затрудняет регистрацию метрик оценки. Использование CreateModelStep сразу после ProcessingStep не соответствует типичному рабочему процессу, где модель регистрируется после обучения. Отказ от RegisterModel и использование Lambda вне конвейера усложняет процесс и не соответствует рекомендуемым практикам SageMaker Pipelines для регистрации моделей.