Um engenheiro de ML deve monitorar um modelo SageMaker para detectar automaticamente desvios nas distribuições de recursos de entrada. Qual abordagem oferece essa capacidade com o mínimo de sobrecarga operacional?

A opção correta é usar o SageMaker Model Monitor com um baseline de qualidade de dados porque ele foi projetado especificamente para detectar desvios em distribuições de recursos de entrada (drift de dados) com mínima sobrecarga operacional. Habilitar emitmetrics garante que as métricas de desvio sejam enviadas para o CloudWatch, permitindo a configuração de alarmes para notificações automáticas. A opção de baseline de qualidade do modelo é incorreta porque o Model Monitor com baseline de qualidade do modelo foca na detecção de drift de conceito (alterações na relação entre features e target), não em desvios nas distribuições de features de entrada. A opção comparisonmethod Robust não é relevante para este cenário. O SageMaker Debugger é usado para depurar modelos durante o treinamento, não para monitorar desvios de dados em produção. A análise manual de logs do CloudWatch é ineficiente e não oferece a detecção automática de desvios, resultando em alta sobrecarga operacional.