Een ML-engineer moet asynchroon modelinferenties uitvoeren op grote datasets en regelmatig controles van de datakwaliteit van modelinvoer plannen, met waarschuwingen wanneer de datakwaliteit verandert. Welke oplossing voldoet aan deze vereisten?

De juiste oplossing is het gebruik van Amazon SageMaker batch transform voor asynchrone inferentie op grote datasets. Dit is specifiek ontworpen voor dit doel. SageMaker Model Monitor is de juiste service om datakwaliteitscontroles te plannen en waarschuwingen te verzenden wanneer de datakwaliteit verandert, wat cruciaal is voor het handhaven van modelprestaties. AWS Glue-jobs zijn geschikt voor ETL-taken, maar minder geoptimaliseerd voor asynchrone inferentie dan SageMaker batch transform. CloudWatch-alarmen kunnen weliswaar monitoring uitvoeren, maar SageMaker Model Monitor biedt gespecialiseerde functionaliteit voor datakwaliteit binnen de ML-context. AWS Batch-jobs kunnen taken plannen, maar zijn niet specifiek voor ML-inferentie en CloudTrail is een logging-service, niet voor datakwaliteitsmonitoring. Amazon ECS met Fargate kan modellen hosten, maar dit is meer gericht op realtime inferentie en vereist meer handmatige configuratie voor batchverwerking en datakwaliteitsmonitoring dan de geïntegreerde SageMaker-oplossing. EventBridge is een event-bus, niet direct een datakwaliteitsmonitor.