Um engenheiro de ML deve executar inferências de modelo assincronamente em grandes conjuntos de dados e agendar verificações regulares da qualidade dos dados de entrada do modelo, com alertas quando ocorrerem alterações na qualidade dos dados. Qual solução satisfaz esses requisitos?

A opção correta é usar o Amazon SageMaker batch transform para inferência assíncrona e o SageMaker Model Monitor para monitoramento da qualidade dos dados. O SageMaker batch transform é ideal para inferência em grandes conjuntos de dados de forma assíncrona, sem a necessidade de um endpoint persistente. O SageMaker Model Monitor é projetado especificamente para detectar desvios na qualidade dos dados de entrada e na performance do modelo, enviando alertas automaticamente. As outras opções são menos adequadas: AWS Glue pode executar modelos, mas não oferece as capacidades nativas de monitoramento de modelo do SageMaker Model Monitor. CloudWatch pode monitorar métricas, mas não é especializado em qualidade de dados de modelo. AWS Batch pode executar modelos, mas AWS CloudTrail é para auditoria de chamadas de API, não para monitoramento de qualidade de dados. Amazon ECS com Fargate é para hospedar modelos em tempo real ou em lote, mas EventBridge é um barramento de eventos e não oferece o monitoramento de qualidade de dados específico do Model Monitor.