Een bedrijf verzamelt sensordata (temperatuur, druk, etc.) om storingen van apparatuur te voorspellen. Voordat de training begint, moet de ML-specialist uitschieters detecteren en verwijderen met minimale operationele overhead. Welke aanpak voldoet aan deze vereiste met de minste inspanning?

De correcte optie is het meest efficiënt omdat Amazon SageMaker Data Wrangler specifieke visualisaties en transformaties biedt voor anomaliedetectie en -verwijdering binnen één geïntegreerde interface. Dit minimaliseert de operationele overhead. Handmatig kwartielen berekenen in een notebook is tijdrovend en foutgevoelig. Een bias report is gericht op bias, niet primair op uitschieters. Amazon Lookout for Equipment is een volledig beheerde service voor voorspellend onderhoud en is overgedimensioneerd en niet bedoeld voor de voorverwerking van algemene sensordata in dit scenario; het richt zich op het bouwen van ML-modellen voor apparatuurstoringen, niet op het verwijderen van uitschieters als voorbereidende stap.