Un modèle de prédiction du prix de l'immobilier déployé sur un site web a progressivement perdu en précision. L'ingénieur doit améliorer le modèle et être alerté automatiquement des futures dégradations de performance. Quelle approche répond à ces deux besoins ?

L'entraînement incrémental est une méthode efficace pour mettre à jour un modèle existant avec de nouvelles données sans le réentraîner entièrement, ce qui est pertinent pour un modèle qui perd progressivement en précision. Amazon SageMaker Model Monitor est la solution AWS dédiée à la détection de la dérive de données et de la dégradation des performances des modèles en production, et il peut envoyer des notifications automatiques. Les autres options sont moins appropriées : SageMaker Model Governance est un ensemble de fonctionnalités pour gérer le cycle de vie du modèle, pas pour l'ajustement automatique des hyperparamètres ou la surveillance des performances en temps réel. SageMaker Debugger est utilisé pour analyser les problèmes pendant l'entraînement, pas pour surveiller les modèles déployés. Réentraîner incrémentalement avec uniquement les données récentes pourrait faire perdre au modèle des connaissances sur les données plus anciennes, ce qui n'est pas optimal.