Un'azienda di vendita al dettaglio esegue un modello di previsione delle vendite giornaliere che ha prodotto previsioni imprecise nelle ultime 3 settimane. Ogni giorno, un processo AWS Glue unisce gli input del modello, le previsioni del modello e le vendite giornaliere effettive in file che vengono archiviati in Amazon S3. Il team ML identifica che le imprecisioni sono causate da cambiamenti nelle distribuzioni dei valori delle feature e necessita di una soluzione che rilevi tale deriva dei dati in futuro con il minimo overhead operativo. Quale approccio soddisfa questo requisito?

L'opzione corretta è "Utilizzare Amazon SageMaker Model Monitor per creare una baseline di qualità dei dati, assicurarsi che emitmetrics sia abilitato nei vincoli della baseline e creare un allarme Amazon CloudWatch sulla metrica emessa". Amazon SageMaker Model Monitor è progettato specificamente per rilevare la deriva dei dati e la deviazione dei vincoli. Creando una baseline di qualità dei dati (data quality baseline) e abilitando emitmetrics, Model Monitor invia metriche a CloudWatch, consentendo la creazione di allarmi per notificare automaticamente la deriva. L'opzione che menziona la "qualità del modello" è errata perché il problema riguarda la deriva dei dati (feature values), non la qualità complessiva del modello. Amazon SageMaker Debugger è utilizzato per analizzare e debuggare i modelli durante l'addestramento, non per il monitoraggio della deriva dei dati in produzione. L'utilizzo di Amazon CloudWatch per ispezionare i log sarebbe un processo manuale e ad alto overhead operativo, non soddisfacendo il requisito di "minimo overhead operativo".