Una empresa recopila datos de sensores (temperatura, presión, etc.) para predecir fallas en los equipos. Antes del entrenamiento, el especialista en ML debe detectar y eliminar los valores atípicos con una sobrecarga operativa mínima. ¿Qué enfoque cumple con este requisito con el menor esfuerzo?

La opción correcta es la más eficiente. SageMaker Data Wrangler ofrece visualizaciones de detección de anomalías que permiten identificar valores atípicos de forma rápida y visual. Una vez identificados, se puede añadir una transformación directamente en el flujo de Data Wrangler para eliminarlos, minimizando la sobrecarga operativa. Las otras opciones son menos eficientes: Calcular cuartiles manualmente en un notebook requiere más esfuerzo y código. El informe de sesgo de Data Wrangler se centra en el sesgo de los datos, no en la detección de valores atípicos para su eliminación directa. Amazon Lookout for Equipment es un servicio de detección de anomalías para mantenimiento predictivo, no una herramienta para la eliminación de valores atípicos de un conjunto de datos antes del entrenamiento.