HealthData Labs souhaite suivre la dérive des attributions de caractéristiques (valeurs SHAP) pour un modèle de risque clinique. Ils ont déjà calculé les valeurs SHAP de l'ensemble d'entraînement et les ont stockées dans s3://healthdata-baselines/shap/. Les points de terminaison de production capturent les entrées et les sorties du modèle dans s3://healthdata-capture/. Quelle approche leur permettra d'utiliser la surveillance SageMaker pour détecter les changements dans les distributions SHAP au fil du temps ?

L'approche correcte consiste à utiliser SageMaker Clarify pour établir une référence d'explicabilité (valeurs SHAP) sur les données d'entraînement, puis à activer la capture de données sur le point de terminaison de production. Ensuite, un MonitoringSchedule de type "Explicabilité du modèle" est créé. Ce planificateur exécutera périodiquement des tâches Clarify sur les données de production capturées pour calculer de nouvelles valeurs SHAP et les comparera aux valeurs de référence pour détecter la dérive. Les autres options sont incorrectes car : L'exportation SHAP intégrée n'est pas une fonctionnalité native des points de terminaison SageMaker. Les métriques FeatureImportance émises par le conteneur ne sont pas directement des valeurs SHAP et ne sont pas automatiquement comparées à une référence de dérive par CloudWatch seul. L'exécution d'une requête Athena pour calculer le SHAP approximatif est une solution manuelle et ne s'intègre pas directement avec les capacités de surveillance de dérive de SageMaker Model Monitor pour les attributions de caractéristiques.