FacileChoix unique

Question d'entraînement MLA-C01

Une entreprise utilise SageMaker Pipelines pour automatiser un flux de travail ML en plusieurs étapes. Le pipeline comprend le prétraitement des données, l'entraînement et l'évaluation du modèle. L'équipe veut s'assurer que si l'étape d'évaluation échoue, le pipeline s'arrête et envoie une alerte à l'équipe des opérations. Quelle fonctionnalité de SageMaker Pipelines doivent-ils utiliser ?

Choisissez la meilleure réponse.

Bonne réponse

  • DUtiliser une étape Condition pour vérifier le résultat de l'évaluation et acheminer vers une étape Fail si le résultat indique un échec

Explication

SageMaker Pipelines fournit une étape Condition intégrée qui évalue une expression booléenne (par exemple, vérifier si les métriques d'évaluation atteignent un seuil) puis achemine l'exécution vers différentes étapes. Si la condition échoue, vous pouvez diriger le pipeline vers une étape Fail, qui arrête immédiatement le pipeline et le marque comme ayant échoué. C'est la manière native et pilotée par les événements d'arrêter un pipeline en fonction de la sortie d'une étape sans dépendre de services externes.

Pourquoi chaque option est juste ou fausse

A

Fausse

Configurer une règle Amazon CloudWatch Events pour surveiller le statut d'exécution du pipeline et l'arrêter si l'étape d'évaluation échoue

CloudWatch Events observe l'état du pipeline après coup et ne peut pas arrêter une exécution en cours ; l'arrêt nécessite une ConditionStep à l'intérieur de la définition du pipeline. Les règles d'événement conviennent à la surveillance externe, aux pistes d'audit et aux alertes sur les exécutions terminées, pas à l'arrêt d'un pipeline en cours à l'étape d'évaluation.

B

Fausse

Enregistrer le modèle dans le Model Registry uniquement si l'évaluation réussit, et configurer le pipeline pour qu'il s'arrête si l'enregistrement échoue

ConditionStep évalue une condition booléenne et arrête ou ramifie le pipeline ; l'enregistrement dans le Model Registry est une action de gouvernance distincte, donc limiter l'enregistrement n'arrête pas le pipeline en cas d'échec de l'évaluation. Le contrôle de l'enregistrement convient aux flux de travail de promotion où seuls les modèles approuvés atteignent la production, pas à l'arrêt déclenché par un échec avec alertes.

C

Fausse

Ajouter une étape Lambda après l'étape d'évaluation qui vérifie les métriques d'évaluation et envoie une notification SNS si les métriques sont en dessous d'un seuil

Une étape Lambda s'exécute indépendamment du résultat de l'évaluation, elle ne peut donc pas elle-même arrêter le pipeline ; l'arrêt nécessite une ConditionStep dont la condition échoue. Lambda-plus-SNS convient aux seuils de métriques personnalisés et à la logique de notification superposée à un pipeline déjà ramifié, pas au mécanisme qui arrête l'exécution.

D

Juste

Utiliser une étape Condition pour vérifier le résultat de l'évaluation et acheminer vers une étape Fail si le résultat indique un échec

Une étape Condition évalue la sortie de l'étape d'évaluation par rapport à un seuil et, en cas d'échec, achemine l'exécution vers une étape Fail qui termine le pipeline et déclenche l'alerte. Cela satisfait l'exigence de la question d'arrêter et de notifier les opérations.

Pour aller plus loin

SageMaker Pipelines est un DAG où chaque étape déclare des dépendances, et une étape Condition évalue une expression JSON par rapport aux propriétés d'une étape précédente, puis achemine l'exécution vers une branche vraie ou fausse. Placer une étape Fail sur la branche d'échec arrête le pipeline avec un message d'erreur défini et marque l'exécution comme échouée, ce que CloudWatch Events peut ensuite faire remonter sous forme d'alerte. Il s'agit d'une orchestration native plutôt que d'un sondage externe, donc l'arrêt est déterministe et immédiat. Une subtilité est que la condition lit les sorties des étapes telles que les métriques d'évaluation stockées dans la sortie de traitement, donc l'étape d'évaluation doit émettre des résultats lisibles par machine. Un scénario réaliste est de conditionner l'enregistrement du modèle à un seuil de précision, où un score inférieur au seuil achemine vers Fail et bloque le déploiement.

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.