HealthData Labs möchte die Drift in Feature-Attributionen (SHAP-Werte) für ein klinisches Risikomodell verfolgen. Sie haben bereits SHAP-Werte für den Trainingssatz berechnet und diese unter s3://healthdata-baselines/shap/ gespeichert. Der Produktions-Endpunkt erfasst Eingaben und Modellausgaben unter s3://healthdata-capture/. Welcher Ansatz ermöglicht es ihnen, SageMaker-Monitoring zu verwenden, um Änderungen in den SHAP-Verteilungen im Laufe der Zeit zu erkennen?

Die korrekte Option beschreibt den Standardansatz von Amazon SageMaker Model Monitor für die Erkennung von Erklärbarkeitsdrift. SageMaker Clarify kann SHAP-Werte für Trainingsdaten berechnen und als Baseline speichern. Wenn die Datenerfassung für den Produktions-Endpunkt aktiviert ist, kann ein Model Explainability MonitoringSchedule konfiguriert werden, um regelmäßig SHAP-Werte für die erfassten Produktionsdaten zu berechnen und diese mit der gespeicherten Baseline zu vergleichen, um Drift zu erkennen. Die Option mit dem integrierten SHAP-Export-Flag ist falsch, da SageMaker keine automatische SHAP-Annotation von Endpunktanfragen bietet. Die CloudWatch-Metrikalarme sind unzureichend, da Modelle nicht automatisch SHAP-Metriken an CloudWatch senden, und CloudWatch keine SHAP-Verteilungen vergleicht. Die Athena-Abfrage ist eine manuelle und umständliche Lösung, die nicht die integrierten Überwachungsfunktionen von SageMaker nutzt und die SHAP-Werte nicht exakt berechnet.