Una empresa de telecomunicaciones implementó un modelo entrenado con varios años de datos de una región para identificar a los clientes propensos a cancelar cuando llaman al soporte. La empresa lanzará un producto global y teme que el modelo pueda enrutar erróneamente muchas llamadas de regiones sin datos de entrenamiento a un equipo especializado. ¿Qué enfoque aborda este riesgo de manera más efectiva?

La opción correcta aborda el riesgo de deriva de datos (data drift) y sesgo geográfico. SageMaker Model Monitor permite capturar los datos de entrada y salida del modelo en producción. Al establecer una línea base con los datos de entrenamiento originales y monitorear continuamente los datos de inferencia de las nuevas regiones, se pueden detectar desviaciones significativas. CloudWatch se utiliza para alertar cuando estas desviaciones superan un umbral, indicando que el modelo podría no estar generalizando bien a los nuevos datos. Esto permite una reevaluación y reentrenamiento oportuno con un conjunto de datos más representativo globalmente. Las opciones incorrectas: SageMaker Debugger se enfoca en el proceso de entrenamiento del modelo, no en el monitoreo de la inferencia en producción. Monitorear solo la precisión es posterior al problema y no detecta la deriva de datos de entrada que causa la disminución de la precisión. CloudWatch Logs por sí solo no proporciona las capacidades de análisis de deriva de datos que ofrece Model Monitor; requeriría una implementación manual compleja para replicar su funcionalidad.