一家医院运行一个每晚批处理推理作业，其中包含一个用于验证X射线结果的ML模型。医院需要每天生成一份关于模型数据质量和模型性能的报告。哪种解决方案将提供所需的日常监控和报告？

Amazon SageMaker Model Monitor 专门用于监控生产中的机器学习模型，包括批处理推理作业。它可以检测数据漂移、模型质量下降等问题，并自动生成详细报告，完全符合医院对每日模型数据质量和性能报告的需求。 其他选项不适合此场景： Amazon CloudWatch 控制面板主要用于监控资源指标，而非模型数据质量和性能。 AWS Glue DataBrew 专注于数据清洗和转换，虽然可以进行数据质量检查，但它不是专门为模型性能监控和报告设计的，且其“Numerical Statistics”功能无法全面评估模型性能。 SageMaker AI 管道（Pipelines）用于自动化 ML 工作流，QualityCheck 步骤通常在训练或部署前执行数据质量检查，而不是持续的模型监控和报告。