Un modelo de predicción de precios de bienes raíces implementado en un sitio web ha perdido precisión gradualmente. El ingeniero necesita mejorar el modelo y ser alertado automáticamente sobre futuras degradaciones del rendimiento. ¿Qué enfoque satisface ambas necesidades?

La opción correcta aborda ambas necesidades: el entrenamiento incremental es una estrategia eficaz para actualizar modelos que han perdido precisión con el tiempo, ya que incorpora nuevos datos sin descartar el conocimiento previo. Amazon SageMaker Model Monitor es la herramienta específica para detectar automáticamente la degradación del rendimiento del modelo (deriva de datos o concepto) y enviar alertas, lo cual es crucial para la segunda necesidad. Las opciones incorrectas son: SageMaker Model Governance no es una característica estándar para el ajuste automático de hiperparámetros; eso se logra con SageMaker Automatic Model Tuning. Las alarmas de CloudWatch son genéricas y no específicas para la detección de deriva del modelo. SageMaker Debugger se utiliza para inspeccionar el entrenamiento del modelo y depurar problemas, no para monitorear el rendimiento del modelo en producción ni para el reentrenamiento automático. Reentrenar solo con datos recientes puede no ser óptimo si los datos antiguos siguen siendo relevantes. Reentrenar incrementalmente con solo datos recientes es una contradicción; el entrenamiento incremental generalmente usa datos nuevos junto con los antiguos o un modelo preentrenado. Aunque menciona Model Monitor, la estrategia de reentrenamiento es menos robusta.