DifícilOpción múltiple

Pregunta de práctica de MLA-C01

El pipeline de ML de una empresa se ejecuta en varias cuentas de AWS (dev, test, prod). Quieren aplicar que solo los modelos aprobados de un Model Registry central puedan implementarse en la cuenta de producción. ¿Qué combinación de servicios es MÁS apropiada para implementar esta gobernanza?

Elige la mejor respuesta.

Respuesta correcta

  • DAWS Organizations con SCPs, AWS CodePipeline con acciones entre cuentas y SageMaker Model Registry con estado de aprobación.

Explicación

Combina AWS Organizations con SCPs para aplicar políticas de implementación entre cuentas, AWS CodePipeline con acciones entre cuentas para orquestar el pipeline en las cuentas dev/test/prod, y SageMaker Model Registry con estado de aprobación para limitar las implementaciones únicamente a los modelos aprobados. Esto garantiza que solo los modelos con un estado 'Approved' en el registro central puedan implementarse en la cuenta de producción, cumpliendo con el requisito de gobernanza.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

AWS Config, Amazon GuardDuty y AWS Security Hub.

Config, GuardDuty y Security Hub detectan e informan sobre desviaciones, amenazas y hallazgos; ninguno bloquea una llamada de implementación. La aplicación requiere una condición de IAM/SCP vinculada al estado de aprobación del Model Registry. Estos servicios se adaptan a la auditoría de cumplimiento continuo y a la detección de amenazas, no a puertas de autorización previa a la implementación.

B

Incorrecta

Amazon API Gateway, AWS Step Functions y Amazon DynamoDB.

API Gateway, Step Functions y DynamoDB pueden orquestar un flujo de trabajo de aprobación y almacenar el estado, pero se ubican fuera de la ruta de implementación, por lo que una llamada directa a SageMaker CreateModel los omite. Se adaptan a la construcción de un portal de aprobación personalizado, no a la aplicación de autorización de implementación entre cuentas.

C

Incorrecta

AWS Service Catalog, AWS KMS y AWS CloudTrail.

Service Catalog gobierna los productos aprovisionados, KMS cifra los artefactos y CloudTrail registra la actividad de la API a posteriori. Ninguno evalúa el estado de aprobación del Model Registry en el momento de CreateModel. Esta combinación se adapta al control de aprovisionamiento a nivel de cartera y pistas de auditoría, no al bloqueo de la implementación de modelos no aprobados.

D

Correcta

AWS Organizations con SCPs, AWS CodePipeline con acciones entre cuentas y SageMaker Model Registry con estado de aprobación.

Las SCPs en AWS Organizations garantizan que solo los modelos de registro aprobados se implementen en producción, mientras que las acciones entre cuentas de CodePipeline mueven artefactos entre cuentas. El estado de aprobación del Model Registry controla la implementación, satisfaciendo el requisito de gobernanza central en las cuentas dev, test y prod.

E

Incorrecta

AWS CloudFormation StackSets, Amazon EventBridge y AWS Lambda.

StackSets, EventBridge y Lambda pueden reaccionar a eventos e implementar plantillas, pero actúan después o junto con la implementación en lugar de denegarla. Un principal aún puede llamar a CreateModel directamente. Esto se adapta al despliegue automatizado de infraestructura entre cuentas, no a la aplicación de autorización vinculada a la aprobación del registro.

Para profundizar

La gobernanza de ML entre cuentas se aplica combinando políticas organizacionales con controles de canalización y metadatos de modelos. Las políticas de control de servicios de AWS Organizations establecen el límite exterior, evitando que la cuenta de producción implemente artefactos no aprobados incluso si alguien lo intenta. Un CodePipeline entre cuentas puede extraer un paquete de modelo aprobado del Model Registry central, donde el estado de aprobación actúa como puerta de enlace, y promoverlo solo cuando dicho estado sea Approved. La sutileza es que las SCPs por sí solas no pueden expresar la calidad del modelo; restringen acciones, mientras que la aprobación del registro conlleva el visto bueno humano o automatizado. Un escenario realista es un equipo regulado que debe demostrar que solo los modelos validados llegan a producción: el pipeline se niega a implementar un paquete cuyo estado en el registro sea PendingManualApproval, y la SCP bloquea cualquier intento de eludir el pipeline.

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de MLA-C01 de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.

Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.