一家零售公司运行一个每日销售预测模型，但该模型在过去三周内一直产生不准确的预测。每天，一个 AWS Glue 作业会将模型输入、模型的预测和实际每日销售数据合并到存储在 Amazon S3 中的文件中。ML 团队发现不准确性是由特征值分布的变化引起的，他们需要一个解决方案，能够在未来以最少的操作开销检测此类数据漂移。哪种方法符合此要求？

此选项正确，因为它利用了 Amazon SageMaker Model Monitor 的核心功能来检测数据漂移。Model Monitor 专门用于持续监控生产中的机器学习模型，检测数据质量、模型质量和偏差漂移。通过创建数据质量基线并启用 emitmetrics，Model Monitor 会自动生成反映特征值分布变化的指标。然后，可以基于这些指标设置 Amazon CloudWatch 警报，以便在检测到漂移时自动通知团队，从而实现最少的操作开销。 其他选项不正确： 使用模型质量基线是错误的，因为问题明确指出不准确性是由“特征值分布的变化”引起的，这属于数据质量问题，而非模型本身的性能问题。 Amazon SageMaker Debugger 主要用于在训练期间捕获和分析模型内部状态，而不是用于生产环境中的数据漂移检测。 仅监控 SageMaker 端点和 CloudWatch Logs 无法主动检测数据漂移。它需要手动检查日志，并且无法像 Model Monitor 那样自动建立基线和生成漂移指标。