Een data scientist heeft SageMaker gebruikt om een voorspellingsmodel voor lening-wanbetaling te trainen en te deployen. De training is uitgevoerd door handmatig data te extraheren en stappen uit te voeren in een SageMaker Studio notebook. De voorspellingsnauwkeurigheid neemt na verloop van tijd af. Welke combinatie van stappen is de meest operationeel efficiënte manier om de modelnauwkeurigheid te handhaven? (Kies twee.)

De combinatie van SageMaker Pipelines en SageMaker Model Monitor biedt de meest operationeel efficiënte oplossing voor het handhaven van modelnauwkeurigheid. SageMaker Pipelines automatiseert de end-to-end ML-workflow, inclusief data-extractie, hertraining en deployment, wat handmatige interventie minimaliseert. SageMaker Model Monitor detecteert modeldrift door de nauwkeurigheid te bewaken en kan via een CloudWatch-alarm automatisch de Pipeline activeren voor hertraining wanneer de nauwkeurigheid onder een drempel zakt. De andere opties zijn minder efficiënt: Het opslaan van voorspellingen in S3 en het uitvoeren van een dagelijkse Processing-taak met e-mailmelding is een reactieve benadering die geen automatische hertraining initieert. Handmatig opnieuw uitvoeren van notebookcellen is inefficiënt en schaal niet. Het exporteren van code naar een Python-script en het gebruik van ECS en Lambda is een complexere, minder geïntegreerde oplossing dan SageMaker Pipelines voor deze specifieke taak.