Een ML-pipeline moet automatisch een hertrainingstaak starten wanneer datadrift wordt gedetecteerd. Hoe moet de engineer de pipeline configureren om drift te detecteren en hertraining te activeren?

SageMaker Model Monitor is de gespecialiseerde AWS-service voor het detecteren van datadrift en modelkwaliteitsproblemen in ML-modellen in productie. Het kan automatisch datastatistieken analyseren en waarschuwingen genereren wanneer drift wordt gedetecteerd. Een AWS Lambda-functie is een ideale, serverloze manier om te reageren op deze waarschuwingen en de hertrainingstaak te initiëren, bijvoorbeeld door een SageMaker-trainingstaak te starten. AWS Glue-crawlers en ETL-taken zijn gericht op data-integratie en transformatie, niet op het detecteren van datadrift in een ML-context. Apache Flink is een streamverwerkingsframework, nuttig voor real-time analyses, maar niet primair ontworpen voor het monitoren van ML-modeldrift. QuickSight is een BI-service en de anomaliedetectie is meer gericht op bedrijfsgegevens dan op ML-modeldrift.