Een geïmplementeerd XGBoost-model op een SageMaker-endpoint ontvangt live inferentieaanvragen via een AWS Lambda-functie. Het team moet detecteren of de nauwkeurigheid van het model na verloop van tijd afneemt met behulp van inkomende live gegevens. Welke oplossing voldoet aan deze behoefte?

De correcte optie is om een SageMaker Model Monitor-taak te plannen. SageMaker Model Monitor is specifiek ontworpen voor het detecteren van datadrift en modelkwaliteitsdrift in productie. Het vergelijkt live inferentiegegevens met een vastgestelde baseline van trainingsgegevensstatistieken en -beperkingen, waardoor het de meest geschikte en geautomatiseerde oplossing is voor deze behoefte. Het bouwen van een CloudWatch-dashboard is nuttig voor monitoring, maar detecteert niet automatisch drift; het vereist handmatige interpretatie. Het wijzigen van de Lambda-functie om drift te berekenen is inefficiënt en complex om te onderhouden, aangezien dit functionaliteit dupliceert die al beschikbaar is in SageMaker Model Monitor. SageMaker Debugger is bedoeld voor het monitoren en analyseren van trainingsjobs, niet voor het detecteren van drift op live inferentie-endpoints.