Uma empresa de telecomunicações implantou um modelo treinado com vários anos de dados de uma região para identificar clientes propensos a cancelar quando ligam para o suporte. A empresa lançará um produto global e teme que o modelo possa rotear incorretamente muitas chamadas de regiões sem dados de treinamento para uma equipe especializada. Qual abordagem aborda esse risco de forma mais eficaz?

A opção correta aborda o risco de desvio de dados (data drift) de forma proativa. O SageMaker Model Monitor permite capturar dados de inferência em tempo real, compará-los com um baseline dos dados de treinamento originais e identificar quando as características dos dados de entrada em produção (das novas regiões) se desviam significativamente. Isso gera alertas via CloudWatch, indicando a necessidade de reavaliar e retreinar o modelo com um conjunto de dados mais abrangente que inclua as novas regiões. As outras opções são menos eficazes: O SageMaker Debugger é usado para depurar modelos durante o treinamento, não para monitorar desvio de dados em produção. Armazenar chamadas no S3 e calcular métricas de desempenho manualmente é um processo reativo e não detecta o desvio de dados antes que ele impacte a precisão. Habilitar o log do CloudWatch no endpoint e comparar resultados com o baseline não oferece a funcionalidade robusta de detecção de desvio de dados que o Model Monitor proporciona.