Ein bereitgestelltes XGBoost-Modell auf einem SageMaker-Endpunkt empfängt Live-Inferenzanfragen über eine AWS Lambda-Funktion. Das Team muss erkennen, ob die Genauigkeit des Modells im Laufe der Zeit anhand eingehender Live-Daten abnimmt. Welche Lösung erfüllt diese Anforderung?

Die korrekte Lösung ist, einen SageMaker Model Monitor-Job zu planen. SageMaker Model Monitor wurde speziell dafür entwickelt, Modelldrift in Produktion zu erkennen, indem es die Eigenschaften der eingehenden Inferenzdaten mit einer während des Trainings erstellten Baseline vergleicht. Dies umfasst die Überwachung von Datenqualität, Modellqualität und Bias. Ein CloudWatch-Dashboard allein kann zwar Metriken anzeigen, aber keine Modelldrift automatisch erkennen oder Warnungen senden. Die Lambda-Funktion zu ändern, um Modelldrift zu berechnen, ist ineffizient und würde eine komplexe Implementierung erfordern, die bereits durch SageMaker Model Monitor abgedeckt wird. SageMaker Debugger ist für die Analyse von Trainingsjobs und das Debugging von Modellen während des Trainings gedacht, nicht für die Überwachung von Modelldrift in der Produktion.