Un modèle XGBoost déployé sur un endpoint SageMaker reçoit des requêtes d'inférence en direct via une fonction AWS Lambda. L'équipe doit détecter si la précision du modèle se dégrade au fil du temps en utilisant les données en direct entrantes. Quelle solution répond à ce besoin ?

La bonne réponse est de planifier une tâche SageMaker Model Monitor. SageMaker Model Monitor est spécifiquement conçu pour détecter la dérive des données et la dérive du modèle en comparant les données d'inférence en direct à une base de référence établie à partir des données d'entraînement. Il génère des métriques et des alertes lorsque des anomalies sont détectées, ce qui en fait la solution idéale pour ce cas d'utilisation. Construire un tableau de bord CloudWatch ne permettrait pas de détecter automatiquement la dérive, car il ne compare pas les données en direct à une base de référence statistique. Modifier la fonction Lambda pour calculer la dérive serait une solution coûteuse et complexe à maintenir, car elle nécessiterait de réimplémenter des fonctionnalités déjà offertes par SageMaker Model Monitor. SageMaker Debugger est utilisé pour le débogage et l'analyse des ressources pendant l'entraînement du modèle, et non pour la surveillance de la dérive en production.