Un hôpital exécute chaque nuit une tâche d'inférence par lots avec un modèle ML qui valide les résultats de radiographies. L'hôpital doit produire un rapport quotidien sur la qualité des données du modèle et les performances du modèle. Quelle solution fournira la surveillance et le reporting quotidiens requis ?

SageMaker Model Monitor est conçu spécifiquement pour détecter la dérive des données et des modèles, ainsi que pour surveiller la qualité des données et les performances des modèles en production. Il permet de planifier des tâches de surveillance régulières (quotidiennes, dans ce cas) et de générer des rapports détaillés, répondant directement aux exigences de l'hôpital. Créer un tableau de bord CloudWatch est utile pour surveiller les ressources, mais il ne fournit pas d'analyse intrinsèque de la qualité des données ou des performances du modèle ML lui-même. AWS Glue DataBrew est excellent pour la préparation et la transformation des données, ainsi que pour certaines vérifications de qualité, mais il n'est pas optimisé pour la surveillance continue de modèles en production et la détection de dérive. Un pipeline SageMaker AI avec une étape QualityCheck est une option viable pour la surveillance intégrée, mais la planification d'une tâche de surveillance directe dans Model Monitor est la solution la plus simple et la plus directe pour un reporting quotidien récurrent sur un modèle déjà déployé.