Une entreprise de vente au détail exécute quotidiennement un modèle de prévision des ventes qui produit des prévisions inexactes depuis 3 semaines. Chaque jour, un job AWS Glue fusionne les entrées du modèle, les prévisions du modèle et les ventes quotidiennes réelles dans des fichiers stockés dans Amazon S3. L'équipe ML identifie que les inexactitudes sont causées par des changements dans les distributions des valeurs des caractéristiques et a besoin d'une solution qui détectera de telles dérives de données à l'avenir avec le moins de surcharge opérationnelle. Quelle approche répond à cette exigence ?

La dérive des données, causée par des changements dans les distributions des valeurs des caractéristiques, est efficacement détectée par Amazon SageMaker Model Monitor. En créant une base de référence de qualité des données, Model Monitor analyse la distribution des caractéristiques de vos données d'entraînement. Lorsque vous activez emitmetrics dans les contraintes de cette base de référence, Model Monitor émet des métriques vers Amazon CloudWatch si la distribution des données entrantes s'écarte significativement de la base de référence. Une alarme CloudWatch peut ensuite être configurée pour se déclencher sur ces métriques, alertant l'équipe ML avec une surcharge opérationnelle minimale. L'option "qualité du modèle" est incorrecte car la question spécifie une dérive des données (caractéristiques), pas une dégradation directe de la performance du modèle. SageMaker Debugger est utilisé pour le débogage pendant l'entraînement, pas pour la surveillance de la dérive des données en production. La surveillance des journaux CloudWatch est trop manuelle et ne fournit pas de détection automatique de la dérive des données.