RetailStream LLC ha un endpoint di classificazione che acquisisce le previsioni in s3://retailstream-capture/predictions/. Hanno anche una ground truth etichettata prodotta da un job di etichettatura SageMaker Ground Truth archiviata come manifest in s3://retailstream-labels/manifest/. Il team di data science necessita di un monitoraggio della qualità del modello che confronti le previsioni con le etichette vere. Qual è il modo corretto per fornire la ground truth a SageMaker Model Monitor in modo che il MonitoringSchedule possa calcolare le metriche di qualità del modello?

La risposta corretta è creare un job SageMaker Processing o una funzione Lambda per unire i dati. SageMaker Model Monitor richiede che le previsioni e le etichette di ground truth siano presenti nello stesso file o set di dati per calcolare le metriche di qualità del modello. Un job di elaborazione o una Lambda possono unire i file di previsione acquisiti dall'endpoint con il manifest di Ground Truth utilizzando un identificatore di record comune, creando un dataset unificato che Model Monitor può poi analizzare. Le altre opzioni sono errate perché Model Monitor non unisce automaticamente i dati da percorsi S3 separati, né recupera le previsioni dai log di CloudWatch o le unisce semplicemente basandosi sui timestamp o sulla co-locazione del manifest senza un processo esplicito di unione.