한 통신 회사가 고객 지원팀에 전화할 때 해지할 가능성이 있는 고객을 식별하기 위해 한 지역에서 수년간의 데이터로 학습된 모델을 배포했습니다. 이 회사는 글로벌 제품을 출시할 예정이며, 학습 데이터가 없는 지역의 많은 통화가 전문 팀으로 잘못 라우팅될 것을 우려하고 있습니다. 이 위험을 가장 효과적으로 해결하는 접근 방식은 무엇입니까?

정답은 SageMaker Model Monitor를 사용하여 모델 드리프트를 감지하고 해결하는 접근 방식입니다. SageMaker Model Monitor는 프로덕션 모델의 데이터 품질, 모델 품질 및 편향을 지속적으로 모니터링하여 학습 데이터와 프로덕션 데이터 간의 드리프트를 식별합니다. 데이터 캡처를 활성화하고 기준선을 생성한 다음 모니터링 작업을 예약하면 새로운 지역 데이터가 기존 학습 데이터와 다를 때 CloudWatch를 통해 알림을 받을 수 있습니다. 이 알림은 모델을 재평가하고 더 광범위한 데이터로 재학습하여 새로운 지역의 성능 문제를 해결해야 함을 나타냅니다. 오답인 SageMaker Debugger는 모델 훈련 중에 문제를 감지하는 데 사용되며 배포된 모델의 데이터 드리프트 모니터링에는 적합하지 않습니다. 전문 팀 통화를 S3에 저장하고 수동으로 정확도를 계산하는 것은 비효율적이며 실시간 드리프트 감지를 제공하지 않습니다. CloudWatch 로깅은 유용하지만, SageMaker Model Monitor가 제공하는 자동화된 드리프트 감지 및 알림 기능이 부족합니다.