Een ML-engineer moet een SageMaker-model monitoren om automatisch verschuivingen in de distributies van invoerfeatures te detecteren. Welke aanpak biedt deze mogelijkheid met minimale operationele overhead?

De correcte aanpak is het configureren van SageMaker Model Monitor met een data quality baseline en emitmetrics ingeschakeld. Dit detecteert automatisch verschuivingen in invoerfeature-distributies door de huidige data te vergelijken met de baseline. CloudWatch-alarmen kunnen vervolgens worden ingesteld op basis van de metrics die Model Monitor genereert, wat zorgt voor geautomatiseerde meldingen met minimale operationele overhead. De optie met "model quality baseline" is onjuist omdat deze zich richt op de prestaties van het model (bijv. nauwkeurigheid) en niet direct op verschuivingen in de invoerdata. SageMaker Debugger is primair bedoeld voor het debuggen van trainingsjobs en niet voor continue monitoring van feature-distributies in productie. Handmatige analyse van CloudWatch-logs is inefficiënt en schaalt niet, wat in strijd is met de eis van minimale operationele overhead.