Uma equipe de e-commerce implantou um modelo de previsão em um endpoint em tempo real do SageMaker para gerenciamento de estoque quase em tempo real, mas a precisão do modelo degrada com o tempo. Eles precisam de uma abordagem automatizada de longo prazo para detectar problemas que devem acionar o retreinamento. Qual solução atende a esse requisito?

A resposta correta é usar o Amazon SageMaker Clarify. O SageMaker Clarify é projetado para detectar desvio de modelo (model drift) e viés (bias) em modelos de ML, o que é crucial para identificar quando a precisão do modelo se degrada ao longo do tempo e acionar o retreinamento. As outras opções estão incorretas porque: O Amazon SageMaker Debugger é usado para depurar modelos durante o treinamento, não para monitoramento contínuo de desempenho em produção. O AWS X-Ray é uma ferramenta de rastreamento distribuído para analisar e depurar aplicações, não para monitorar a qualidade ou o desempenho preditivo de modelos de ML. O Amazon SageMaker Ground Truth é usado para rotular conjuntos de dados, não para monitorar modelos em produção ou detectar a necessidade de retreinamento.