Bir ML ekibi, model yapıtlarını diğer ekiplerle paylaşır ancak eğitim kodunu ve verilerini saklar. Özel modelleri için denetim ve şeffaflığı desteklemek üzere yayınlama zamanında bir mekanizma istiyorlar. Bu modelleri yayınlarken hangi çözümü kullanmalılar?

Doğru cevap, "Amaçlanan kullanımları, eğitim verilerini ve çıkarım ayrıntılarını açıklayan Amazon SageMaker Model Cards yayınlayın" seçeneğidir. Amazon SageMaker Model Cards, bir modelin amacını, eğitim verilerini, performans metriklerini, sınırlamalarını ve potansiyel yanlılıklarını belgelemek için tasarlanmış merkezi bir depodur. Bu, model yapıtlarını paylaşırken eğitim kodunu ve verilerini saklayan ekipler için denetim ve şeffaflık sağlamanın en etkili yoludur. Diğer seçenekler neden doğru değil: "İlgili ayrıntıları içeren belgeler yazın ve bunları Amazon S3'te depolayın": Bu genel bir belgeleme yöntemidir ancak Model Cards'ın sağladığı yapılandırılmış ve standartlaştırılmış şeffaflık seviyesini sunmaz. "Şeffaflık ve model bilgisi sağlamak için AWS AI Service Cards kullanın": AWS AI Service Cards, AWS tarafından sunulan önceden oluşturulmuş AI hizmetleri içindir, özel olarak geliştirilen ML modelleri için değildir. "Model eğitim betiklerini sağlayın ve bunları bir Git deposuna kaydedin": Eğitim betiklerini sağlamak, modelin nasıl oluşturulduğuna dair bir fikir verebilir ancak modelin kendisi, performansı, sınırlamaları ve kullanım durumları hakkında kapsamlı şeffaflık sağlamaz.