Ein Data Scientist hat SageMaker verwendet, um ein Vorhersagemodell für Kreditausfälle zu trainieren und bereitzustellen. Das Training erfolgte durch manuelles Extrahieren von Daten und Ausführen von Schritten in einem SageMaker Studio-Notebook. Die Vorhersagegenauigkeit nimmt im Laufe der Zeit ab. Welche Kombination von Schritten ist der betrieblich effizienteste Weg, um die Modellgenauigkeit aufrechtzuerhalten? (Wählen Sie zwei.)

Die Kombination aus SageMaker Pipelines und SageMaker Model Monitor ist die betrieblich effizienteste Lösung, um die Modellgenauigkeit langfristig aufrechtzuerhalten. SageMaker Pipelines automatisiert den gesamten MLOps-Workflow, von der Datenextraktion über das Retraining bis zur Bereitstellung neuer Modellversionen. Dies eliminiert manuelle Eingriffe und sorgt für Konsistenz und Effizienz. SageMaker Model Monitor erkennt Modelldrift oder Leistungsabfall, indem er die Genauigkeit überwacht. Ein CloudWatch-Alarm kann dann automatisch den SageMaker Pipelines-Workflow auslösen, um das Modell mit neuen Daten neu zu trainieren, sobald die Genauigkeit unter einen definierten Schwellenwert fällt. Dies gewährleistet eine proaktive und automatisierte Reaktion auf Modellleistungsabfall. Manuelles erneutes Ausführen des Notebooks ist nicht effizient und skaliert nicht. Das Speichern von Vorhersagen in S3 und die Ausführung eines SageMaker Processing-Jobs zur Bewertung der Genauigkeit ist ein guter Schritt, aber ohne eine Verknüpfung zu einem automatisierten Retraining-Workflow ist es keine vollständige Lösung. Das Exportieren des Notebook-Codes in ein Python-Skript und die Ausführung als ECS-Task über Lambda ist eine unnötig komplexe und weniger integrierte Lösung im Vergleich zu SageMaker Pipelines.