FinTrust Inc. 训练了一个表格欺诈检测模型，并将训练 CSV 存储在 s3://fintrust-training/transactions/ 中。ML 平台团队必须从训练数据中创建 SageMaker Model Monitor 数据质量基线（统计数据和约束），以便对生产推理输入模式和分布进行日常监控，并在出现漂移时发出警报。以下哪种方法是生成适用于 MonitoringSchedule 的 Model Monitor 基线的最合适、工作量最小的方式？

此方法利用 SageMaker Model Monitor 的内置功能，直接从训练数据生成数据质量基线。DefaultModelMonitor.suggestbaseline（或等效的 CreateProcessingJob）旨在自动分析训练数据集，计算统计数据和推断约束，并将其存储在 S3 中，这是 Model Monitor 监控计划所需的格式。这最大限度地减少了手动工作，并确保了基线与训练数据的一致性。 其他选项的不足之处： 在生产端点上启用数据捕获一周：这会延迟基线的创建，并且基线将基于生产数据而不是原始训练数据，可能无法准确反映模型的预期输入。 使用 AWS Glue 计算列统计数据并手动转换：这需要大量的手动工作来将 Glue 统计数据转换为 Model Monitor 所需的特定 JSON 格式，容易出错且效率低下。 对训练 CSV 运行 Amazon Athena 查询并存储为 CloudWatch 指标：Model Monitor 不直接使用 CloudWatch 指标作为其数据质量基线。它需要特定的统计文件和约束文件来定义基线。