Un hospital ejecuta un trabajo de inferencia por lotes nocturno con un modelo de ML que valida los resultados de las radiografías. El hospital necesita producir un informe diario sobre la calidad de los datos del modelo y el rendimiento del modelo. ¿Qué solución proporcionará el monitoreo y los informes diarios requeridos?

La opción correcta es programar un trabajo de monitoreo en Amazon SageMaker Model Monitor. Esta herramienta está diseñada específicamente para monitorear la calidad de los datos y el rendimiento del modelo en producción, incluyendo trabajos de inferencia por lotes. Puede detectar desviaciones en la distribución de los datos de entrada (deriva de datos) y en el rendimiento del modelo, generando informes y métricas diarias que el hospital necesita. Las otras opciones son incorrectas porque: Crear un panel de Amazon CloudWatch con métricas de recursos solo monitorea la infraestructura subyacente, no la calidad de los datos ni el rendimiento del modelo. Usar AWS Glue DataBrew para la verificación de calidad de datos es para la preparación de datos, no para el monitoreo continuo de modelos en producción. Crear un pipeline de SageMaker AI con un paso QualityCheck es más adecuado para la validación durante el entrenamiento o la implementación, no para el monitoreo continuo y diario de un modelo ya en producción.