Uno scienziato dei dati ha utilizzato SageMaker per addestrare e distribuire un modello di previsione del default dei prestiti. L'addestramento è stato eseguito estraendo manualmente i dati ed eseguendo i passaggi in un notebook di SageMaker Studio. L'accuratezza delle previsioni sta diminuendo nel tempo. Quale combinazione di passaggi è il modo più efficiente dal punto di vista operativo per mantenere l'accuratezza del modello? (Scegliere due.)

L'accuratezza del modello che diminuisce nel tempo è un classico segno di deriva del modello. Per mantenere l'accuratezza in modo efficiente, è fondamentale automatizzare il processo di monitoraggio e riaddestramento. L'opzione "Utilizzare SageMaker Pipelines per costruire un workflow automatizzato..." è corretta perché SageMaker Pipelines è progettato per creare workflow MLOps end-to-end, automatizzando l'estrazione dei dati, l'addestramento e la distribuzione, che sono passaggi essenziali per affrontare la deriva. L'opzione "Configurare SageMaker Model Monitor con una soglia di accuratezza..." è corretta perché Model Monitor rileva la deriva dei dati o del modello. L'integrazione con CloudWatch Alarms e SageMaker Pipelines consente di attivare automaticamente il riaddestramento solo quando necessario, rendendo il processo efficiente e reattivo ai cambiamenti nelle prestazioni del modello. Le altre opzioni sono meno efficienti o non affrontano la radice del problema: Archiviare le previsioni in S3 ed eseguire un job di SageMaker Processing è un approccio manuale al monitoraggio e non automatizza il riaddestramento. Rieseguire manualmente le celle del notebook è inefficiente e non scalabile. Esportare il codice in uno script Python e usarlo con ECS e Lambda è una soluzione più complessa e meno integrata rispetto a SageMaker Pipelines per i workflow MLOps.