MediaOpción múltiple

Pregunta de práctica de MLA-C01

Un científico de datos desea entrenar un modelo en SageMaker utilizando un script personalizado de PyTorch y, a continuación, registrar el mejor modelo en el Registro de modelos de SageMaker (SageMaker Model Registry). El trabajo de entrenamiento forma parte de un SageMaker Pipeline. ¿Qué paso de la canalización (pipeline step) se debe utilizar para registrar el modelo?

Elige la mejor respuesta.

Respuesta correcta

  • ARegisterModelStep

Explicación

`RegisterModelStep` está diseñado específicamente para crear un recurso de modelo y registrarlo en el Registro de modelos de SageMaker como parte de una canalización. Toma la salida del entrenamiento (por ejemplo, artefactos de modelo de un `TrainingStep`) y la empaqueta con la imagen de inferencia especificada y los metadatos, creando luego una versión de grupo de paquetes de modelos. Este es el paso correcto para registrar un modelo después del entrenamiento, ya que se integra directamente con el Registro de modelos para flujos de trabajo de control de versiones y aprobación.

Por qué cada opción es correcta o incorrecta

A

Correcta

RegisterModelStep

`RegisterModelStep` es el paso dedicado de SageMaker Pipelines que empaqueta el artefacto del modelo entrenado y sus metadatos en un grupo de paquetes de modelos en el Registro de modelos, encadenándose directamente desde el paso de entrenamiento dentro de la definición de la canalización.

B

Incorrecta

CreateModelStep

`CreateModelStep` crea un modelo de SageMaker implementable a partir de artefactos, pero no escribe nada en el Registro de modelos. Es tentador porque la creación del modelo precede al registro, pero el enunciado requiere un paso de canalización que registre la versión del modelo en el registro, lo cual solo realiza `RegisterModel` (un `ModelStep`).

C

Incorrecta

TrainingStep

`TrainingStep` inicia el trabajo de entrenamiento de PyTorch y genera artefactos de modelo, pero no registra nada en el Registro de modelos. Es tentador porque el entrenamiento produce el modelo candidato, pero el registro es una acción de canalización independiente; el enunciado necesita el paso que escribe la versión del paquete de modelos.

D

Incorrecta

TransformStep

`TransformStep` ejecuta inferencias por lotes en un modelo entrenado, produciendo predicciones en lugar de entradas de registro. Es tentador porque consume artefactos del modelo, pero el enunciado requiere registrar el mejor modelo en el Registro de modelos, lo cual `TransformStep` no puede hacer; solo `RegisterModel` registra una versión de paquete de modelos.

Para profundizar

Bajo el capó, un SageMaker Pipeline es un grafo acíclico dirigido (DAG) de pasos cuyas definiciones se compilan en una definición de canalización JSON ejecutada por el servicio de orquestación. `RegisterModelStep` encapsula la API `CreateModelPackage` frente a un `ModelPackageGroup` y puede consumir los `ModelArtifacts` de la salida de un `TrainingStep` anterior (a través de las propiedades del paso) o apuntar a un artefacto de modelo existente. Un comportamiento sutil que vale la pena conocer: `RegisterModelStep` también puede crear el grupo de paquetes de modelos si no existe, y admite `ModelMetrics` y `CustomerMetadataProperties` para el seguimiento del linaje. Difiere de `CreateModelStep`, que solo crea una entidad de modelo implementable para el alojamiento, no una entrada de registro versionada. En la práctica, cuando un trabajo de entrenamiento produce múltiples candidatos, se encadena un paso de evaluación condicional y se registra solo el artefacto aprobado, lo que garantiza la gobernanza y la reproducibilidad.

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.