FinTrust Inc. entrena un modelo tabular de detección de fraude y almacena el CSV de entrenamiento en s3://fintrust-training/transactions/. El equipo de la plataforma de ML debe crear una línea base de calidad de datos (estadísticas y restricciones) de SageMaker Model Monitor a partir de los datos de entrenamiento para que el monitoreo diario del esquema y las distribuciones de entrada de inferencia de producción pueda alertar sobre la desviación. ¿Cuál es la forma más apropiada y con el mínimo esfuerzo para producir una línea base de Model Monitor adecuada para ser utilizada por un MonitoringSchedule?

La opción correcta es la más apropiada y con el mínimo esfuerzo porque DefaultModelMonitor.suggestbaseline (o CreateProcessingJob con el contenedor de Model Monitor) está diseñado específicamente para este propósito. Automatiza la generación de estadísticas y restricciones a partir de los datos de entrenamiento, produciendo una línea base compatible con MonitoringSchedule. Las otras opciones son incorrectas porque: Habilitar la captura de datos en el endpoint de producción para generar una línea base no es ideal, ya que la línea base debe reflejar los datos de entrenamiento para detectar desviaciones con respecto a lo que el modelo aprendió. Usar AWS Glue y convertir manualmente a JSON es un proceso manual y propenso a errores, no es de "mínimo esfuerzo". Ejecutar consultas de Athena y almacenar métricas en CloudWatch no genera el formato de línea base de estadísticas y restricciones que Model Monitor requiere para el monitoreo de esquema y distribución.