Une équipe e-commerce a déployé un modèle de prévision sur un endpoint SageMaker en temps réel pour la gestion des stocks quasi en temps réel, mais la précision du modèle se dégrade avec le temps. Elle a besoin d'une approche automatisée à long terme pour détecter les problèmes qui devraient déclencher un réentraînement. Quelle solution répond à cette exigence ?

Amazon SageMaker Clarify est la solution la plus appropriée car il est conçu pour détecter la dérive des données et les biais dans les modèles de machine learning en production. La dégradation de la précision du modèle au fil du temps est un indicateur classique de dérive des données ou de biais, ce que Clarify peut surveiller et signaler automatiquement. Ces alertes peuvent ensuite déclencher un processus de réentraînement. Les autres options sont moins pertinentes : Amazon SageMaker Debugger est utilisé pour déboguer les modèles pendant l'entraînement, pas pour surveiller la performance en production ou la dérive. AWS X-Ray est un service de traçage distribué qui aide à analyser et déboguer les applications distribuées, mais il ne fournit pas de capacités de surveillance de la dérive des données ou de la performance spécifique aux modèles ML. Amazon SageMaker Ground Truth est un service d'étiquetage de données, utile pour créer des jeux de données de haute qualité, mais il ne surveille pas la performance des modèles en production ni ne détecte la dérive.