Une entreprise collecte des données de capteurs (température, pression, etc.) pour prédire les pannes d'équipement. Avant l'entraînement, le spécialiste ML doit détecter et supprimer les valeurs aberrantes avec un minimum de frais opérationnels. Quelle approche répond à cette exigence avec le moins d'effort ?

L'utilisation de la visualisation de détection d'anomalies de SageMaker Data Wrangler permet d'identifier visuellement les valeurs aberrantes et d'appliquer des transformations directement dans le flux de données. Cette approche est la plus efficace car elle intègre la détection et la suppression des valeurs aberrantes dans un seul outil visuel et interactif, minimisant ainsi l'effort opérationnel. Charger les données dans un bloc-notes SageMaker Studio et calculer manuellement les quartiles est une méthode valide mais plus laborieuse. Exécuter un rapport de biais SageMaker Data Wrangler est utile pour le biais, mais pas spécifiquement pour la détection d'anomalies. Amazon Lookout for Equipment est un service de détection d'anomalies pour les équipements industriels, mais il est conçu pour la surveillance en temps réel et non pour la préparation initiale des données d'entraînement, et il ne supprime pas directement les valeurs aberrantes de l'ensemble de données d'origine.