Um cientista de dados usou o SageMaker para treinar e implantar um modelo de previsão de inadimplência de empréstimos. O treinamento foi feito extraindo dados manualmente e executando etapas em um notebook do SageMaker Studio. A precisão da previsão está diminuindo ao longo do tempo. Qual combinação de etapas é a maneira mais operacionalmente eficiente de manter a precisão do modelo? (Escolha duas.)

A combinação mais eficiente envolve automação e monitoramento. O SageMaker Pipelines automatiza o ciclo de vida do ML, incluindo extração de dados, retreinamento e implantação, garantindo que o modelo seja atualizado regularmente com dados novos. O SageMaker Model Monitor detecta a degradação do modelo (deriva de dados ou conceito) ao comparar o desempenho com um limite de precisão. Ao integrar o Model Monitor com um alarme do CloudWatch que aciona o SageMaker Pipelines, o retreinamento é iniciado automaticamente quando a precisão cai, mantendo a performance do modelo de forma proativa e operacionalmente eficiente. As outras opções são manuais, menos eficientes ou não abordam a detecção automática de degradação.