Ein Unternehmen sammelt Sensordaten (Temperatur, Druck usw.), um Geräteausfälle vorherzusagen. Vor dem Training muss der ML-Spezialist Ausreißer mit minimalem Betriebsaufwand erkennen und entfernen. Welcher Ansatz erfüllt diese Anforderung mit dem geringsten Aufwand?

Die Anomalieerkennungs-Visualisierung in SageMaker Data Wrangler ist die effizienteste Methode, da sie speziell für die Identifizierung von Ausreißern in Zeitreihendaten entwickelt wurde und sich nahtlos in den Data Wrangler-Datenfluss integrieren lässt, um diese Ausreißer zu entfernen. Dies minimiert den manuellen Aufwand. Das manuelle Berechnen von Quartilen in einem Notebook ist zeitaufwändig und fehleranfällig. Ein Bias-Bericht in Data Wrangler konzentriert sich auf Verzerrungen und ist nicht primär für die Ausreißererkennung optimiert. Amazon Lookout for Equipment ist eine eigenständige Lösung für die vorausschauende Wartung und kein Tool zur allgemeinen Datenvorverarbeitung innerhalb eines SageMaker-Workflows.