一個機器學習團隊與其他團隊分享模型 artifacts，但保留訓練程式碼和資料。他們希望在發佈時有一個機制，以支援其自訂模型的稽核和透明度。發佈這些模型時，他們應該使用哪種解決方案？

正確答案是發佈描述預期用途、訓練資料和推論細節的 Amazon SageMaker Model Cards。Amazon SageMaker Model Cards 專為解決此類需求而設計，提供一個標準化的框架來記錄模型的關鍵資訊，包括其預期用途、訓練資料、效能指標、潛在偏差和推論細節。這有助於確保模型的透明度、可稽核性和負責任的部署。 撰寫包含相關細節的文件並將其儲存在 Amazon S3 中雖然可行，但不如 SageMaker Model Cards 結構化和全面，後者專為模型治理而設計。使用 AWS AI Service Cards 則不適用，因為它們是用於記錄預先訓練的 AWS AI 服務，而不是團隊自訂的模型。提供模型訓練腳本並將其提交到 Git 儲存庫雖然有助於程式碼版本控制，但並不能提供模型本身的透明度或稽核資訊，因為它不包含關於模型行為、效能或預期用途的詳細資訊。