Eine ML-Pipeline soll automatisch einen Retraining-Job starten, sobald eine Datenverschiebung (Data Drift) erkannt wird. Wie sollte der Ingenieur die Pipeline konfigurieren, um Drift zu erkennen und ein Retraining auszulösen?

SageMaker Model Monitor ist speziell dafür konzipiert, Daten- und Modell-Drift in Produktionsmodellen zu erkennen. Es kann automatisch Metriken sammeln und Schwellenwerte für die Drift-Erkennung festlegen. Wenn Drift erkannt wird, kann Model Monitor eine Amazon CloudWatch-Metrik auslösen, die wiederum eine AWS Lambda-Funktion aufrufen kann. Diese Lambda-Funktion kann dann den Retraining-Job initiieren, typischerweise einen SageMaker-Trainingsjob. Die anderen Optionen sind weniger geeignet: AWS Glue Crawler und ETL-Jobs sind für Datenkatalogisierung und Transformation gedacht, nicht primär für die kontinuierliche Überwachung von Modelldrift. Amazon Managed Service for Apache Flink ist ein Dienst für die Echtzeit-Datenverarbeitung, aber nicht direkt für die Drift-Erkennung von ML-Modellen optimiert. Amazon QuickSight Anomalieerkennung ist ein Business Intelligence-Tool und nicht für die Überwachung von ML-Modellen in einer Pipeline konzipiert.