HealthData Labs quiere rastrear la desviación en las atribuciones de características (valores SHAP) para un modelo de riesgo clínico. Ya han calculado los valores SHAP del conjunto de entrenamiento y los han almacenado en s3://healthdata-baselines/shap/. El endpoint de producción captura las entradas y salidas del modelo en s3://healthdata-capture/. ¿Qué enfoque les permitirá usar el monitoreo de SageMaker para detectar cambios en las distribuciones SHAP a lo largo del tiempo?

La opción correcta describe el flujo de trabajo estándar de SageMaker Model Monitor para la explicabilidad del modelo. Implica establecer una línea de base SHAP con SageMaker Clarify en los datos de entrenamiento, habilitar la captura de datos del endpoint para registrar las inferencias de producción y luego configurar un MonitoringSchedule de explicabilidad. Este programador utiliza Clarify para calcular los valores SHAP en los datos de inferencia capturados y los compara con la línea de base para detectar desviaciones. Las otras opciones son incorrectas porque: SageMaker no anota automáticamente las solicitudes capturadas con SHAP (opción 2); las métricas de FeatureImportance de CloudWatch no son equivalentes a los valores SHAP y no se emiten automáticamente por el contenedor del modelo de esta manera (opción 3); y calcular SHAP aproximado con Athena y enviar métricas personalizadas es un enfoque manual y menos robusto que el monitoreo integrado de SageMaker (opción 4).