Une entreprise de télécommunications a déployé un modèle entraîné sur plusieurs années de données provenant d'une région pour identifier les clients susceptibles de résilier lorsqu'ils appellent le support. L'entreprise va lancer un produit mondial et craint que le modèle ne dirige à tort de nombreux appels provenant de régions sans données d'entraînement vers une équipe spécialisée. Quelle approche permet de résoudre le plus efficacement ce risque ?

Cette approche est la plus efficace car SageMaker Model Monitor est conçu pour détecter la dérive des données (data drift) et la dérive du modèle (model drift) en comparant les données d'inférence en production à une base de référence d'entraînement. Le problème décrit est un cas classique de dérive des données, où les nouvelles données régionales diffèrent significativement des données sur lesquelles le modèle a été entraîné. En surveillant cette dérive et en alertant via CloudWatch, l'entreprise peut identifier rapidement quand le modèle ne fonctionne plus de manière optimale et déclencher un réentraînement avec un ensemble de données plus représentatif et plus large, incluant les nouvelles régions. Les autres options sont moins efficaces car : SageMaker Debugger est principalement utilisé pour déboguer les modèles pendant l'entraînement, pas pour la surveillance en production de la dérive des données. Stocker les appels et calculer la précision est une surveillance de la performance du modèle, mais elle ne détecte pas la cause sous-jacente (la dérive des données) et nécessite des étiquettes de vérité terrain, qui peuvent ne pas être immédiatement disponibles pour les appels en direct. La journalisation CloudWatch seule ne fournit pas les capacités d'analyse comparative et d'alerte spécifiques à la dérive des données offertes par Model Monitor.