Een telecombedrijf heeft een model geïmplementeerd dat is getraind op meerdere jaren aan gegevens uit één regio om klanten te identificeren die waarschijnlijk zullen opzeggen wanneer ze de support bellen. Het bedrijf zal een wereldwijd product uitrollen en vreest dat het model veel gesprekken uit regio's zonder trainingsgegevens verkeerd zal routeren naar een gespecialiseerd team. Welke aanpak pakt dit risico het meest effectief aan?

De correcte optie pakt het risico van data drift effectief aan door SageMaker Model Monitor te gebruiken. Door data capture in te schakelen en een baseline te creëren, kan het systeem afwijkingen in inkomende regionale gegevens detecteren. CloudWatch waarschuwingen zorgen voor tijdige meldingen wanneer de gegevens significant afwijken van de getrainde gegevens, wat duidt op een behoefte aan herevaluatie en hertraining met een bredere dataset. De optie met SageMaker Debugger is onjuist omdat Debugger voornamelijk wordt gebruikt voor het analyseren van trainingsproblemen, niet voor monitoring van data drift op een endpoint. De optie die zich richt op het opslaan van gesprekken en het berekenen van nauwkeurigheid is te reactief en meet modelprestaties in plaats van data drift, wat het onderliggende probleem is. De optie met CloudWatch logging en S3 is minder efficiënt dan Model Monitor, dat specifiek is ontworpen voor data drift detectie en baselining.