Un ingeniero de ML debe ejecutar inferencias de modelos de forma asíncrona sobre grandes conjuntos de datos y programar comprobaciones periódicas de la calidad de los datos de entrada del modelo, con alertas cuando se produzcan cambios en la calidad de los datos. ¿Qué solución satisface estos requisitos?

La opción correcta es la que utiliza Amazon SageMaker Batch Transform para inferencia asíncrona y SageMaker Model Monitor para la calidad de los datos. SageMaker Batch Transform está diseñado específicamente para ejecutar inferencias sobre grandes conjuntos de datos de forma asíncrona, lo que se alinea con el requisito del problema. SageMaker Model Monitor es la herramienta nativa de SageMaker para programar la monitorización de la calidad de los datos de entrada y del rendimiento del modelo, y puede configurar alertas. Las otras opciones son menos adecuadas: AWS Glue jobs son para procesamiento de datos ETL, no para inferencia de modelos optimizada. CloudWatch puede monitorear, pero no está diseñado para la monitorización específica de la calidad de los datos del modelo como Model Monitor. AWS Batch es para cargas de trabajo por lotes generales, no optimizado para inferencia de ML. AWS CloudTrail rastrea la actividad de la API, no la calidad de los datos. Amazon ECS con Fargate es para alojar contenedores, lo que podría usarse para inferencia en tiempo real, pero no es la solución más eficiente para inferencia asíncrona de grandes volúmenes. EventBridge es un bus de eventos, no una herramienta de monitoreo de calidad de datos.