MoyenneChoix unique

Question d'entraînement MLA-C01

Un data scientist souhaite entraîner un modèle sur SageMaker à l'aide d'un script PyTorch personnalisé, puis enregistrer le meilleur modèle dans le Registre de modèles SageMaker (SageMaker Model Registry). La tâche d'entraînement fait partie d'un pipeline SageMaker (SageMaker Pipeline). Quelle étape du pipeline (pipeline step) doit être utilisée pour enregistrer le modèle?

Choisissez la meilleure réponse.

Bonne réponse

  • ARegisterModelStep

Explication

L'étape `RegisterModelStep` est spécifiquement conçue pour créer une ressource de modèle et l'enregistrer dans le Registre de modèles SageMaker dans le cadre d'un pipeline. Elle prend la sortie de l'entraînement (par exemple, les artefacts de modèle d'un `TrainingStep`) et l'empaquette avec l'image d'inférence spécifiée et les métadonnées, puis crée une version de groupe de packages de modèles. Il s'agit de l'étape correcte pour enregistrer un modèle après l'entraînement, car elle s'intègre directement au Registre de modèles pour les flux de travail de gestion des versions et d'approbation.

Pourquoi chaque option est juste ou fausse

A

Juste

RegisterModelStep

`RegisterModelStep` est l'étape dédiée de SageMaker Pipelines qui empaquette l'artefact de modèle entraîné et ses métadonnées dans un groupe de packages de modèles dans le Registre de modèles, en s'enchaînant directement à partir de l'étape d'entraînement dans la définition du pipeline.

B

Fausse

CreateModelStep

`CreateModelStep` construit un modèle SageMaker déployable à partir d'artefacts, mais n'écrit rien dans le Registre de modèles. C'est tentant car la création du modèle précède l'enregistrement, mais l'énoncé exige une étape de pipeline qui enregistre la version du modèle dans le registre, ce que seul `RegisterModel` (un `ModelStep`) effectue.

C

Fausse

TrainingStep

`TrainingStep` lance la tâche d'entraînement PyTorch et génère des artefacts de modèle, mais n'enregistre rien dans le Registre de modèles. C'est tentant car l'entraînement produit le modèle candidat, mais l'enregistrement est une action de pipeline distincte; l'énoncé nécessite l'étape qui écrit la version du package de modèles.

D

Fausse

TransformStep

`TransformStep` exécute une inférence par lots sur un modèle entraîné, produisant des prédictions plutôt que des entrées de registre. C'est tentant car il consomme des artefacts de modèle, mais l'énoncé exige l'enregistrement du meilleur modèle dans le Registre de modèles, ce que `TransformStep` ne peut pas faire; seul `RegisterModel` enregistre une version de package de modèles.

Pour aller plus loin

Sous le capot, un SageMaker Pipeline est un graphe orienté acyclique (DAG) d'étapes dont les définitions sont compilées en une définition de pipeline JSON exécutée par le service d'orchestration. `RegisterModelStep` encapsule l'API `CreateModelPackage` par rapport à un `ModelPackageGroup`, et il peut consommer les `ModelArtifacts` provenant de la sortie d'un `TrainingStep` préalable (via les propriétés de l'étape) ou pointer vers un artefact de modèle existant. Un comportement subtil à connaître : `RegisterModelStep` peut également créer le groupe de packages de modèles s'il n'existe pas, et il prend en charge `ModelMetrics` et `CustomerMetadataProperties` pour le suivi du lignage. Il diffère de `CreateModelStep`, qui crée uniquement une entité de modèle déployable pour l'hébergement, et non une entrée de registre versionnée. En pratique, lorsqu'une tâche d'entraînement produit plusieurs candidats, vous enchaînez une étape d'évaluation conditionnelle et n'enregistrez que l'artefact approuvé, garantissant ainsi la gouvernance et la reproductibilité.

À propos de ces questions d'entraînement

Cette question fait partie des questions d'entraînement MLA-C01 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.

Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.