Un equipo de comercio electrónico implementó un modelo de pronóstico en un endpoint de SageMaker en tiempo real para la gestión de inventario casi en tiempo real, pero la precisión del modelo se degrada con el tiempo. Necesitan un enfoque automatizado a largo plazo para detectar problemas que deberían activar el reentrenamiento. ¿Qué solución cumple con este requisito?

La respuesta correcta es usar Amazon SageMaker Clarify. SageMaker Clarify permite monitorear continuamente los modelos implementados en SageMaker para detectar desviaciones en la calidad de los datos, el sesgo del modelo y la deriva de los datos (data drift). Cuando se detectan estas desviaciones, Clarify puede generar alertas, lo cual es crucial para identificar cuándo la precisión del modelo se está degradando y cuándo es necesario un reentrenamiento. Las otras opciones son incorrectas porque: Amazon SageMaker Debugger se utiliza para depurar modelos durante el entrenamiento, no para monitorear modelos implementados en tiempo real. AWS X-Ray es una herramienta para monitorear el rendimiento de las aplicaciones y los servicios distribuidos, no para detectar la degradación de la precisión de un modelo de ML. Amazon SageMaker Ground Truth se utiliza para etiquetar datos y crear conjuntos de datos de alta calidad, lo cual es útil para el reentrenamiento, pero no monitorea la degradación del modelo en producción.