FinTrust Inc. addestra un modello tabulare per il rilevamento delle frodi e memorizza il CSV di training in s3://fintrust-training/transactions/. Il team della piattaforma ML deve creare una baseline di qualità dei dati (statistiche e vincoli) di SageMaker Model Monitor dai dati di training, in modo che il monitoraggio quotidiano dello schema e delle distribuzioni di input dell'inferenza di produzione possa segnalare eventuali derive. Qual è il modo più appropriato e con il minimo sforzo per produrre una baseline di Model Monitor adatta per l'uso da parte di un MonitoringSchedule?

L'opzione corretta descrive il metodo più diretto ed efficiente per generare una baseline di Model Monitor. DefaultModelMonitor.suggestbaseline (o l'equivalente CreateProcessingJob con il container di Model Monitor) è progettato specificamente per questo scopo: analizza i dati di training (o un dataset rappresentativo) e produce automaticamente i file JSON di statistiche e vincoli necessari per la baseline. Questo riduce al minimo lo sforzo manuale e garantisce la compatibilità con SageMaker Model Monitor. Le altre opzioni sono meno appropriate: Abilitare la cattura dei dati sull'endpoint di produzione per generare una baseline non è ideale perché la baseline dovrebbe riflettere i dati di training "gold standard", non i dati di inferenza potenzialmente già deviati o non rappresentativi. Utilizzare AWS Glue e convertire manualmente le statistiche è un processo macchinoso e soggetto a errori, che richiede uno sforzo significativo per mappare le statistiche di Glue al formato specifico di Model Monitor. Eseguire una query Amazon Athena e usare metriche CloudWatch non è il meccanismo standard per definire una baseline di Model Monitor. Model Monitor richiede file JSON specifici per statistiche e vincoli, non metriche CloudWatch generiche.