Un ospedale esegue un job di inferenza batch notturno con un modello ML che convalida i risultati delle radiografie. L'ospedale deve produrre un report giornaliero sulla qualità dei dati del modello e sulle prestazioni del modello. Quale soluzione fornirà il monitoraggio e la reportistica giornaliera richiesti?

La risposta corretta è pianificare un job di monitoraggio in Amazon SageMaker Model Monitor e generare i risultati del monitoraggio del modello e dei dati. SageMaker Model Monitor è progettato specificamente per rilevare la deriva dei dati e del modello, nonché problemi di qualità dei dati, per i modelli ML in produzione. Può essere configurato per eseguire job di monitoraggio su base giornaliera, fornendo i report richiesti. Creare una dashboard Amazon CloudWatch con metriche per i passaggi di elaborazione nel job batch notturno non è sufficiente perché CloudWatch monitora le risorse e le metriche di sistema, non la qualità dei dati o le prestazioni del modello ML stesso. Utilizzare AWS Glue DataBrew per eseguire un job di ricetta personalizzato che applica il controllo di qualità dei dati Numerical Statistics al file del modello non è l'opzione migliore. DataBrew è uno strumento di preparazione dei dati e non è ottimizzato per il monitoraggio continuo della qualità dei dati o delle prestazioni del modello in produzione. Creare una pipeline AI di SageMaker che includa un passaggio QualityCheck per eseguire job di monitoraggio e produrre risultati di monitoraggio per il modello e i dati è una soluzione valida per il monitoraggio durante lo sviluppo e la distribuzione, ma Model Monitor è la soluzione dedicata e più efficiente per il monitoraggio continuo dei modelli in produzione.