FinTrust Inc. trainiert ein tabellarisches Betrugserkennungsmodell und speichert die Trainings-CSV-Datei unter s3://fintrust-training/transactions/. Das ML-Plattformteam muss eine SageMaker Model Monitor-Datenqualitäts-Baseline (Statistiken und Constraints) aus den Trainingsdaten erstellen, damit die tägliche Überwachung des Produktions-Inferenz-Eingabeschemas und der Verteilungen auf Drift aufmerksam machen kann. Welches ist der am besten geeignete Weg mit minimalem Aufwand, um eine Model Monitor-Baseline zu erstellen, die für die Verwendung durch einen MonitoringSchedule geeignet ist?

Die korrekte Antwort ist die effizienteste Methode, da sie direkt die integrierten Funktionen von Amazon SageMaker Model Monitor nutzt. DefaultModelMonitor.suggestbaseline oder der entsprechende CreateProcessingJob sind dafür konzipiert, Statistiken und Constraints automatisch aus Trainingsdaten zu generieren und im korrekten Format zu speichern. Dies minimiert den manuellen Aufwand und stellt die Kompatibilität mit Model Monitor sicher. Die Option, Daten am Produktions-Endpunkt zu erfassen, ist ungeeignet, da die Baseline aus Trainingsdaten und nicht aus Produktionsdaten erstellt werden sollte, um eine Referenz für den erwarteten Datenzustand zu haben. Die Verwendung von AWS Glue erfordert eine manuelle Konvertierung in das Model Monitor-Format, was fehleranfällig und aufwendig ist. Die Athena-Abfrage und CloudWatch-Metriken sind ebenfalls zu umständlich und nicht direkt mit dem Baseline-Format von Model Monitor kompatibel.