Un modelo XGBoost implementado en un endpoint de SageMaker recibe solicitudes de inferencia en vivo a través de una función de AWS Lambda. El equipo necesita detectar si la precisión del modelo se degrada con el tiempo utilizando los datos en vivo entrantes. ¿Qué solución satisface esta necesidad?

La opción correcta es programar un trabajo de SageMaker Model Monitor. Model Monitor está diseñado específicamente para detectar la desviación del modelo (model drift) comparando los datos de inferencia en tiempo real con una línea base de estadísticas y restricciones de los datos de entrenamiento. Esto permite identificar cuándo el rendimiento del modelo puede estar degradándose debido a cambios en la distribución de los datos. Las otras opciones son incorrectas porque: Un panel de CloudWatch puede monitorear métricas, pero no detecta automáticamente la desviación del modelo ni compara distribuciones de datos. Modificar la función Lambda para calcular la desviación es una solución manual y menos escalable que Model Monitor, que ofrece una solución gestionada y robusta. SageMaker Debugger se utiliza para depurar modelos durante el entrenamiento, no para monitorear la desviación en inferencia en vivo.