FinTrust Inc.는 테이블 형식의 사기 탐지 모델을 훈련하고 훈련 CSV를 s3://fintrust-training/transactions/에 저장합니다. ML 플랫폼 팀은 훈련 데이터로부터 SageMaker Model Monitor 데이터 품질 기준선(통계 및 제약 조건)을 생성해야 합니다. 이는 프로덕션 추론 입력 스키마 및 분포에 대한 일일 모니터링을 통해 드리프트 발생 시 알림을 받을 수 있도록 하기 위함입니다. MonitoringSchedule에서 사용하기에 적합한 Model Monitor 기준선을 생성하는 가장 적절하고 최소한의 노력으로 가능한 방법은 무엇입니까?

정답은 SageMaker Model Monitor의 suggestbaseline 기능을 사용하여 훈련 데이터에서 직접 통계 및 제약 조건을 생성하는 것입니다. 이는 SageMaker Python SDK를 통해 가장 효율적으로 수행되거나, Model Monitor 컨테이너를 사용하여 CreateProcessingJob을 호출함으로써 가능합니다. 이 방법은 프로덕션 데이터와 훈련 데이터 간의 드리프트를 모니터링하기 위한 기준선을 자동으로 생성하므로 가장 적절하고 최소한의 노력이 필요합니다. 오답인 "프로덕션 엔드포인트에서 일주일 동안 데이터 캡처를 활성화한 다음..."은 훈련 데이터가 아닌 프로덕션 데이터로 기준선을 생성하므로, 훈련 데이터와 프로덕션 데이터 간의 드리프트를 감지하는 목적에 부합하지 않습니다. "AWS Glue를 사용하여 열 통계를 계산한 다음..."은 수동 변환이 필요하여 비효율적입니다. "훈련 CSV에 대해 Amazon Athena 쿼리를 실행하여 기본 집계를 계산하고..."는 Model Monitor의 자동화된 기준선 생성 기능을 활용하지 않아 불필요하게 복잡합니다.