Una empresa minorista ejecuta un modelo diario de previsión de ventas que ha estado produciendo predicciones inexactas durante las últimas 3 semanas. Cada día, un trabajo de AWS Glue fusiona las entradas del modelo, las predicciones del modelo y las ventas diarias reales en archivos que se almacenan en Amazon S3. El equipo de ML identifica que las imprecisiones son causadas por cambios en las distribuciones de los valores de las características y necesita una solución que detecte dicha deriva de datos en el futuro con la menor sobrecarga operativa. ¿Qué enfoque cumple este requisito?

La opción correcta es utilizar Amazon SageMaker Model Monitor para crear una línea base de calidad de datos, ya que la deriva de datos se refiere específicamente a cambios en la distribución de las características de entrada, lo cual es monitoreado por la calidad de datos. Habilitar emitmetrics permite que Model Monitor envíe métricas a Amazon CloudWatch, lo que a su vez permite configurar alarmas para notificaciones automáticas con baja sobrecarga operativa. La opción de "calidad del modelo" es incorrecta porque se enfoca en métricas de rendimiento del modelo (como precisión o F1-score), no en la distribución de las características de entrada. Amazon SageMaker Debugger no es adecuado para la detección de deriva de datos en producción, ya que está diseñado para depurar modelos durante el entrenamiento. Monitorear CloudWatch Logs es una tarea manual y reactiva, no una solución proactiva y automatizada para detectar la deriva de datos con baja sobrecarga operativa.