Un científico de datos utilizó SageMaker para entrenar e implementar un modelo de predicción de incumplimiento de préstamos. El entrenamiento se realizó extrayendo datos manualmente y ejecutando pasos en un notebook de SageMaker Studio. La precisión de la predicción está disminuyendo con el tiempo. ¿Qué combinación de pasos es la forma más eficiente operativamente para mantener la precisión del modelo? (Elija dos.)

La disminución de la precisión del modelo con el tiempo indica un problema de deriva de datos o modelo. La solución más eficiente operativamente implica la automatización. SageMaker Pipelines permite construir un flujo de trabajo MLOps completo para la extracción de datos, el reentrenamiento del modelo y la implementación de nuevas versiones, abordando la necesidad de actualizar el modelo con datos frescos. SageMaker Model Monitor es crucial para detectar la deriva del modelo o los datos. Al configurar un umbral de precisión y vincular una alarma de CloudWatch a SageMaker Pipelines, se automatiza el proceso de reentrenamiento cuando la precisión disminuye, garantizando un mantenimiento proactivo. Las otras opciones son menos eficientes: la ejecución manual en notebooks no escala, los trabajos de SageMaker Processing solo detectan el problema sin automatizar la solución, y la tarea de ECS con Lambda es una solución de ingeniería personalizada más compleja que no aprovecha las capacidades MLOps integradas de SageMaker.