FinTrust Inc. entraîne un modèle tabulaire de détection de fraude et stocke le fichier CSV d'entraînement dans s3://fintrust-training/transactions/. L'équipe de la plateforme ML doit créer une base de référence de qualité des données (statistiques et contraintes) pour SageMaker Model Monitor à partir des données d'entraînement afin que la surveillance quotidienne du schéma et des distributions d'entrée de l'inférence de production puisse alerter sur la dérive. Quelle est la méthode la plus appropriée et la moins coûteuse pour produire une base de référence Model Monitor adaptée à une utilisation par un MonitoringSchedule ?

L'option correcte est la plus appropriée et la moins coûteuse car elle utilise les fonctionnalités intégrées de SageMaker Model Monitor. DefaultModelMonitor.suggestbaseline ou un CreateProcessingJob avec le conteneur Model Monitor est conçu spécifiquement pour analyser les données d'entraînement (ici, le fichier CSV dans S3) et générer automatiquement les statistiques et contraintes nécessaires pour la surveillance de la dérive. Cela automatise le processus et garantit la compatibilité avec un MonitoringSchedule. Les autres options sont moins idéales : L'activation de la capture de données sur le point de terminaison de production pour générer une base de référence est coûteuse en temps et en ressources, et ne représente pas les données d'entraînement initiales, ce qui pourrait masquer une dérive préexistante. L'utilisation d'AWS Glue pour calculer les statistiques et la conversion manuelle est un processus fastidieux, sujet aux erreurs et non automatisé. L'exécution d'une requête Amazon Athena et le stockage des agrégats dans CloudWatch ne génèrent pas les contraintes spécifiques requises par Model Monitor et ne sont pas une méthode directe pour créer une base de référence Model Monitor.