Een bedrijf detecteert, met behulp van Amazon SageMaker Model Monitor, data drift die de geconfigureerde drempel overschrijdt en wil voorkomen dat de voorspellingen van het model hierdoor worden beïnvloed. Welke actie moeten ze ondernemen?

Wanneer Amazon SageMaker Model Monitor data drift detecteert die de geconfigureerde drempel overschrijdt, betekent dit dat de statistische eigenschappen van de invoerdata voor het model significant zijn veranderd ten opzichte van de data waarmee het model oorspronkelijk is getraind. Dit kan leiden tot een verminderde nauwkeurigheid van de modelvoorspellingen. De meest effectieve actie om dit te verhelpen en de prestaties te herstellen, is het model opnieuw trainen met nieuwe, representatieve data die de huidige dataverdeling weerspiegelt. Het herstarten van de SageMaker AI-endpoint (optie 1) lost de onderliggende data drift niet op, omdat het model zelf ongewijzigd blijft. Het aanpassen van de monitoringgevoeligheid (optie 2) verandert alleen wanneer drift wordt gedetecteerd, niet de drift zelf of de impact ervan op het model. Experiment tracking instellen (optie 4) is nuttig voor het beheren van machine learning-experimenten, maar pakt de directe impact van data drift op een reeds geïmplementeerd model niet aan.