MédiaMúltipla escolha

Questão de prática de MLA-C01

Um cientista de dados deseja treinar um modelo no SageMaker usando um script PyTorch personalizado e, em seguida, registrar o melhor modelo no Registro de Modelos do SageMaker (SageMaker Model Registry). O job de treinamento faz parte de um SageMaker Pipeline. Qual etapa do pipeline (pipeline step) deve ser usada para registrar o modelo?

Escolha a melhor resposta.

Resposta correta

  • ARegisterModelStep

Explicação

O `RegisterModelStep` foi projetado especificamente para criar um recurso de modelo e registrá-lo no Registro de Modelos do SageMaker como parte de um pipeline. Ele pega a saída do treinamento (por exemplo, artefatos de modelo de um `TrainingStep`) e a empacota com a imagem de inferência especificada e os metadados, criando então uma versão de grupo de pacotes de modelos. Esta é a etapa correta para registrar um modelo após o treinamento, pois se integra diretamente ao Registro de Modelos para fluxos de trabalho de controle de versão e aprovação.

Por que cada alternativa está certa ou errada

A

Correta

RegisterModelStep

O `RegisterModelStep` é a etapa dedicada do SageMaker Pipelines que empacota o artefato do modelo treinado e seus metadados em um grupo de pacotes de modelos no Registro de Modelos, encadeando-se diretamente a partir da etapa de treinamento dentro da definição do pipeline.

B

Incorreta

CreateModelStep

O `CreateModelStep` cria um modelo do SageMaker implantável a partir de artefatos, mas não grava nada no Registro de Modelos. É tentador porque a criação do modelo precede o registro, mas o enunciado requer uma etapa de pipeline que registre a versão do modelo no registro, o que apenas o `RegisterModel` (um `ModelStep`) realiza.

C

Incorreta

TrainingStep

O `TrainingStep` inicia o job de treinamento do PyTorch e gera artefatos de modelo, mas não registra nada no Registro de Modelos. É tentador porque o treinamento produz o modelo candidato, mas o registro é uma ação de pipeline separada; o enunciado precisa da etapa que grava a versão do pacote de modelos.

D

Incorreta

TransformStep

O `TransformStep` executa inferência em lote em um modelo treinado, produzindo previsões em vez de entradas de registro. É tentador porque consome artefatos de modelo, mas o enunciado exige o registro do melhor modelo no Registro de Modelos, o que o `TransformStep` não pode fazer; apenas o `RegisterModel` registra uma versão de pacote de modelos.

Para se aprofundar

Nos bastidores, um SageMaker Pipeline é um grafo acíclico dirigido (DAG) de etapas cujas definições são compiladas em uma definição de pipeline JSON executada pelo serviço de orquestração. O `RegisterModelStep` encapsula a API `CreateModelPackage` em relação a um `ModelPackageGroup` e pode consumir os `ModelArtifacts` da saída de um `TrainingStep` anterior (por meio das propriedades da etapa) ou apontar para um artefato de modelo existente. Um comportamento sutil que vale a pena conhecer: o `RegisterModelStep` também pode criar o grupo de pacotes de modelos se ele não existir, e oferece suporte a `ModelMetrics` e `CustomerMetadataProperties` para rastreamento de linhagem. Ele difere do `CreateModelStep`, que cria apenas uma entidade de modelo implantável para hospedagem, e não uma entrada de registro versionada. na prática, quando um job de treinamento produz vários candidatos, você encadeia uma etapa de avaliação condicional e registra apenas o artefato aprovado, garantindo governança e reprodutibilidade.

Sobre estas questões de prática

Esta é uma das questões de prática originais de MLA-C01 da Courseiva, escrita para o aprendizado e nunca copiada de provas reais nem de dumps.

Traduzida do original em inglês com IA e conferida quanto ao sentido. Códigos de exame, comandos e nomes de produtos são mantidos como aparecem na prova.