Un'azienda raccoglie dati da sensori (temperatura, pressione, ecc.) per prevedere guasti alle apparecchiature. Prima dell'addestramento, lo specialista ML deve rilevare e rimuovere gli outlier con un sovraccarico operativo minimo. Quale approccio soddisfa questo requisito con il minor sforzo?

L'opzione corretta è la più efficiente perché SageMaker Data Wrangler offre strumenti visivi integrati per l'individuazione degli outlier e la possibilità di applicare trasformazioni direttamente nel flusso di dati. Questo riduce il sovraccarico operativo, permettendo allo specialista ML di identificare e rimuovere gli outlier con pochi clic. Le altre opzioni sono meno efficienti: Calcolare manualmente i quartili in un notebook richiede più passaggi e codice, aumentando lo sforzo. Il report di bias di SageMaker Data Wrangler è progettato per identificare distorsioni nei dati, non specificamente outlier statistici, e non è il metodo più diretto per questo compito. Amazon Lookout for Equipment è un servizio completamente gestito per il rilevamento di anomalie in serie temporali industriali e non è progettato per la pre-elaborazione generale dei dati o la rimozione diretta degli outlier dal set di dati di input prima dell'addestramento in un contesto di ML generico.