FácilMúltipla escolha

Questão de prática de MLA-C01

Uma empresa está usando o SageMaker Pipelines para automatizar um fluxo de trabalho de ML de várias etapas. O pipeline inclui pré-processamento de dados, treinamento e avaliação de modelo. A equipe quer garantir que, se a etapa de avaliação falhar, o pipeline pare e envie um alerta para a equipe de operações. Qual recurso do SageMaker Pipelines eles devem usar?

Escolha a melhor resposta.

Resposta correta

  • DUsar uma etapa Condition para verificar o resultado da avaliação e direcionar para uma etapa Fail se o resultado indicar falha

Explicação

O SageMaker Pipelines fornece uma etapa Condition integrada que avalia uma expressão booleana (por exemplo, verificando se as métricas de avaliação atendem a um limite) e, em seguida, direciona a execução para diferentes etapas. Se a condição falhar, você pode direcionar o pipeline para uma etapa Fail, que interrompe imediatamente o pipeline e o marca como falhado. Esta é a maneira nativa e orientada a eventos de interromper um pipeline com base na saída de uma etapa, sem depender de serviços externos.

Por que cada alternativa está certa ou errada

A

Incorreta

Configurar uma regra do Amazon CloudWatch Events para monitorar o status de execução do pipeline e pará-lo se a etapa de avaliação falhar

O CloudWatch Events observa o estado do pipeline após o fato e não pode parar uma execução em andamento; para parar, é necessário um ConditionStep dentro da definição do pipeline. As regras de eventos atendem a monitoramento externo, trilhas de auditoria e alertas em execuções concluídas, e não a interromper um pipeline em execução na etapa de avaliação.

B

Incorreta

Registrar o modelo no Model Registry apenas se a avaliação passar, e configurar o pipeline para parar se o registro falhar

O ConditionStep avalia uma condição booleana e interrompe ou ramifica o pipeline; o registro no Model Registry é uma ação de governança separada, de modo que condicionar o registro não para o pipeline em caso de falha na avaliação. O controle de registro atende a fluxos de trabalho de promoção onde apenas modelos aprovados chegam à produção, e não à parada acionada por falha com alertas.

C

Incorreta

Adicionar uma etapa Lambda após a etapa de avaliação que verifica as métricas de avaliação e envia uma notificação SNS se as métricas estiverem abaixo de um limite

Uma etapa Lambda é executada independentemente do resultado da avaliação, portanto ela própria não pode interromper o pipeline; a parada requer um ConditionStep cuja condição falhe. Lambda com SNS atende a limites de métricas personalizadas e lógica de notificação sobreposta a um pipeline já ramificado, e não ao mecanismo que interrompe a execução.

D

Correta

Usar uma etapa Condition para verificar o resultado da avaliação e direcionar para uma etapa Fail se o resultado indicar falha

Uma etapa Condition avalia a saída da etapa de avaliação em relação a um limite e, em caso de falha, direciona a execução para uma etapa Fail que encerra o pipeline e dispara o alerta. Isso atende ao requisito do enunciado de parar e notificar as operações.

Para se aprofundar

O SageMaker Pipelines é um DAG onde cada etapa declara dependências, e uma etapa Condition avalia uma expressão JSON em relação às propriedades de uma etapa anterior, direcionando então a execução por uma ramificação verdadeira ou falsa. Colocar uma etapa Fail na ramificação de falha interrompe o pipeline com uma mensagem de erro definida e marca a execução como falhada, o que o CloudWatch Events pode exibir como um alerta. Esta é uma orquestração nativa em vez de sondagem externa, portanto a parada é determinística e imediata. Uma sutileza é que a condição lê saídas de etapas, como métricas de avaliação armazenadas na saída de processamento, de modo que a etapa de avaliação deve emitir resultados legíveis por máquina. um cenário realista é condicionar o registro do modelo a um limite de acurácia, onde uma pontuação abaixo do limite é direcionada para Fail e bloqueia a implantação.

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.