Un ingénieur ML doit surveiller un modèle SageMaker pour détecter automatiquement les changements dans les distributions des caractéristiques d'entrée. Quelle approche offre cette capacité avec un minimum de frais opérationnels ?

La bonne approche est de configurer SageMaker Model Monitor avec une base de référence de qualité des données. Model Monitor est conçu spécifiquement pour détecter la dérive des données et les changements de distribution des caractéristiques d'entrée. L'activation de emitmetrics dans le fichier de contraintes garantit que Model Monitor envoie des métriques détaillées à CloudWatch, permettant ainsi de créer des alarmes CloudWatch pour notifier automatiquement les changements. L'option concernant la qualité du modèle est incorrecte car elle se concentre sur les performances du modèle (précision, F1-score, etc.), et non sur les distributions des caractéristiques d'entrée. SageMaker Debugger est utilisé pour surveiller les problèmes d'entraînement et de débogage, pas pour la surveillance de la dérive des données en production. L'analyse manuelle des journaux CloudWatch est inefficace et ne permet pas une détection automatique avec un minimum de frais opérationnels.