Les données d'entraînement ont été normalisées avec une mise à l'échelle min-max dans AWS Glue DataBrew. Les données d'inférence de production doivent être normalisées exactement de la même manière avant d'être envoyées au modèle. Quelle approche satisfait cette exigence ?

Pour garantir que les données d'inférence sont traitées de manière cohérente avec les données d'entraînement, il est crucial d'utiliser les mêmes paramètres de normalisation. Si les données d'entraînement ont été normalisées avec une mise à l'échelle min-max, les valeurs minimales et maximales utilisées pour cette transformation doivent être enregistrées et réappliquées aux données de production. Utiliser les statistiques de normalisation d'un ensemble de données publiques est incorrect car ces statistiques ne refléteraient pas les caractéristiques spécifiques de vos données d'entraînement. Calculer une nouvelle plage min-max à partir d'un lot d'échantillons de production introduirait un décalage entre l'entraînement et l'inférence, potentiellement nuisible aux performances du modèle. Calculer les statistiques min-max séparément pour chaque échantillon de production est également incorrect car cela ne maintiendrait pas la cohérence de la transformation à travers l'ensemble des données d'inférence.