Uma empresa coleta dados de sensores (temperatura, pressão, etc.) para prever falhas de equipamento. Antes do treinamento, o especialista em ML deve detectar e remover outliers com o mínimo de sobrecarga operacional. Qual abordagem atende a esse requisito com o menor esforço?

A abordagem correta utiliza a visualização de detecção de anomalias do SageMaker Data Wrangler, que permite identificar outliers visualmente e, em seguida, aplicar uma transformação diretamente no fluxo de dados do Data Wrangler para removê-los. Isso minimiza a sobrecarga operacional, pois o processo é integrado e intuitivo dentro da mesma ferramenta. As outras opções são menos eficientes: Calcular quartis manualmente em um notebook e depois usar o Data Wrangler introduz etapas manuais desnecessárias e maior esforço. O relatório de viés do SageMaker Data Wrangler foca em desvios e vieses nos dados, não em detecção e remoção de outliers de forma otimizada para este caso. O Amazon Lookout for Equipment é uma solução de ML gerenciada para detecção de anomalias em equipamentos, mas não é a ferramenta mais direta ou de menor esforço para a detecção e remoção inicial de outliers em um conjunto de dados brutos antes do treinamento, como solicitado.