Ein ML-Ingenieur muss Modellinferenzen asynchron über große Datensätze ausführen und regelmäßige Überprüfungen der Eingabedatenqualität des Modells planen, mit Warnungen, wenn sich die Datenqualität ändert. Welche Lösung erfüllt diese Anforderungen?

Die korrekte Antwort ist die Verwendung von Amazon SageMaker Batch Transform für asynchrone Inferenz und SageMaker Model Monitor für die Datenqualitätsüberwachung. SageMaker Batch Transform ist ideal für asynchrone Inferenz über große Datensätze, da es effizient und kostengünstig ist, ohne dass ein ständig aktiver Endpunkt erforderlich ist. SageMaker Model Monitor ist speziell für die Überwachung der Datenqualität und der Modellleistung konzipiert, kann Abweichungen erkennen und Warnungen senden. Die anderen Optionen sind weniger geeignet: AWS Glue-Jobs können zwar Modelle ausführen und CloudWatch-Alarme nutzen, sind aber nicht primär für die Modellinferenz optimiert und bieten nicht die spezialisierte Datenqualitätsüberwachung von SageMaker Model Monitor. AWS Batch-Jobs sind für Batch-Verarbeitung geeignet, aber AWS CloudTrail ist ein Protokollierungsdienst für API-Aufrufe und nicht zur Verfolgung der Datenqualität von ML-Modellen gedacht. Amazon ECS mit Fargate ist eine gute Option für das Hosting von Modellen, aber es erfordert mehr Konfiguration für die asynchrone Inferenz und EventBridge ist ein Event-Bus, der keine direkte Datenqualitätsüberwachung für ML-Modelle bietet.