HealthMetrics развернула модель обнаружения мошенничества на конечной точке SageMaker в реальном времени. Команде необходимо провести аудит и показать происхождение от развернутой конечной точки до задания предварительной обработки, задания обучения и артефактов оценки, созданных в их запусках SageMaker Pipeline. Какая последовательность действий и API обеспечивает наиболее полную информацию о происхождении развернутой модели?

Правильный ответ описывает наиболее полный и прямой способ использования SageMaker Lineage для отслеживания происхождения модели. SageMaker Lineage автоматически записывает связи между компонентами ML (заданиями обработки, обучения, оценки, моделями, артефактами), позволяя проследить модель до ее исходных данных и кода. ListAssociations с SourceArn модели или пакета модели позволяет получить связанные артефакты и контексты, а затем DescribeArtifact, DescribeContext, GetTrialComponent или DescribeTrainingJob используются для получения подробной информации о каждом компоненте. Остальные варианты неверны: Логи CloudWatch не содержат структурированных записей происхождения, которые напрямую связывают конечную точку с заданиями обучения и артефактами в таком формате. Теги объектов S3 не являются стандартным или надежным способом отслеживания происхождения в SageMaker, и SageMaker действительно хранит ассоциации происхождения. AWS Config отслеживает изменения конфигурации ресурсов, но не предоставляет детальную информацию о происхождении ML-модели, такую как связи между заданиями обработки, обучения и оценки.