Un ingénieur ML doit exécuter des inférences de modèle de manière asynchrone sur de grands ensembles de données et planifier des vérifications régulières de la qualité des données d'entrée du modèle, avec des alertes lorsque des changements de qualité des données se produisent. Quelle solution répond à ces exigences ?

La bonne réponse est d'utiliser Amazon SageMaker Batch Transform pour l'inférence asynchrone et SageMaker Model Monitor pour la surveillance de la qualité des données. SageMaker Batch Transform est conçu pour exécuter des inférences sur de grands ensembles de données de manière asynchrone, ce qui correspond à la première exigence. SageMaker Model Monitor est spécifiquement conçu pour détecter la dérive des données et d'autres problèmes de qualité des données, et peut envoyer des alertes, répondant ainsi à la deuxième exigence. Les autres options sont moins adaptées : Les tâches AWS Glue sont principalement destinées à l'ETL et non à l'inférence de modèle à grande échelle, et CloudWatch est une solution de surveillance générale, pas spécifique à la qualité des données de modèle. AWS Batch est pour le calcul par lots général, pas optimisé pour l'inférence ML, et CloudTrail est pour la journalisation des API, pas pour la surveillance de la qualité des données. Amazon ECS avec Fargate est pour l'hébergement de conteneurs, ce qui peut fonctionner pour l'inférence, mais EventBridge est un bus d'événements, pas un outil de surveillance de la qualité des données de modèle.