Un scientifique des données a utilisé SageMaker pour entraîner et déployer un modèle de prédiction de défaut de prêt. L'entraînement a été effectué en extrayant manuellement les données et en exécutant des étapes dans un bloc-notes SageMaker Studio. La précision de la prédiction diminue avec le temps. Quelle combinaison d'étapes est le moyen le plus efficace sur le plan opérationnel de maintenir la précision du modèle ? (Choisissez deux.)

La combinaison de SageMaker Pipelines et SageMaker Model Monitor est la plus efficace. SageMaker Pipelines automatise l'ensemble du cycle de vie MLOps, de l'extraction des données au déploiement, garantissant une maintenance continue et reproductible du modèle. SageMaker Model Monitor détecte la dérive du modèle en surveillant la qualité des données et les performances des prédictions en production. En le couplant avec une alarme CloudWatch qui déclenche un pipeline de réentraînement, le modèle est automatiquement mis à jour lorsque sa précision diminue, minimisant ainsi l'intervention manuelle et maximisant l'efficacité opérationnelle. Les autres options sont moins efficaces : stocker les prédictions dans S3 et exécuter une tâche SageMaker Processing nécessite une logique personnalisée pour l'évaluation et le déclenchement, ce qui est moins intégré que Model Monitor. Réexécuter manuellement les cellules est inefficace et non automatisé. Exporter le code vers une tâche ECS avec Lambda est une solution plus complexe et moins native pour le MLOps que SageMaker Pipelines.