한 소매 회사가 지난 3주 동안 부정확한 예측을 생성하는 일일 판매 예측 모델을 운영하고 있습니다. 매일 AWS Glue 작업이 모델 입력, 모델 예측 및 실제 일일 판매를 Amazon S3에 저장되는 파일로 병합합니다. ML 팀은 기능 값 분포의 변화로 인해 부정확성이 발생한다는 것을 확인했으며, 향후 운영 오버헤드를 최소화하면서 이러한 데이터 드리프트를 감지할 수 있는 솔루션이 필요합니다. 다음 접근 방식 중 이 요구 사항을 충족하는 것은 무엇입니까?

정답은 Amazon SageMaker Model Monitor를 사용하여 데이터 품질 기준을 생성하고, 기준 제약 조건에서 emitmetrics가 활성화되었는지 확인하고, 내보낸 지표에 대한 Amazon CloudWatch 경보를 생성하는 것입니다. SageMaker Model Monitor는 데이터 드리프트를 감지하고 알림을 보내는 데 최적화된 서비스입니다. 데이터 품질 기준을 생성하고 emitmetrics를 활성화하면 Model Monitor가 데이터 분포의 변화를 감지하고 CloudWatch에 지표를 게시합니다. 이 지표에 CloudWatch 경보를 설정하여 드리프트 발생 시 즉시 알림을 받을 수 있습니다. 오답인 '모델 품질 기준'은 모델 성능 지표(예: 정확도)를 모니터링하는 데 사용되며, 데이터 드리프트와 직접적인 관련이 없습니다. 'Amazon SageMaker Debugger'는 모델 훈련 중 문제를 감지하는 데 주로 사용되며, 배포된 모델의 데이터 드리프트 모니터링에는 적합하지 않습니다. 'Amazon CloudWatch를 사용하여 SageMaker 엔드포인트를 모니터링하고 CloudWatch Logs를 검사'하는 것은 수동적이고 확장성이 떨어지며, 데이터 드리프트 감지를 위한 자동화된 솔루션이 아닙니다.