Een ziekenhuis voert 's nachts een batch-inferentietaak uit met een ML-model dat röntgenresultaten valideert. Het ziekenhuis moet dagelijks een rapport produceren over de gegevenskwaliteit en de modelprestaties. Welke oplossing biedt de vereiste dagelijkse monitoring en rapportage?

De correcte optie is het plannen van een monitoringtaak in Amazon SageMaker Model Monitor. SageMaker Model Monitor is specifiek ontworpen om de kwaliteit van modellen en gegevens in productie te bewaken, inclusief batch-inferentie. Het kan automatisch afwijkingen in gegevensdistributie (data drift) en modelprestaties detecteren en dagelijkse rapporten genereren, wat direct aansluit bij de vereisten van het ziekenhuis. Andere opties zijn minder geschikt: Een Amazon CloudWatch-dashboard monitort infrastructuurmetrics, niet de kwaliteit van het ML-model of de inputgegevens. AWS Glue DataBrew is een tool voor gegevensvoorbereiding en -kwaliteit, maar is niet primair bedoeld voor continue modelmonitoring en rapportage na de implementatie. Een SageMaker AI-pipeline met een QualityCheck-stap is meer gericht op kwaliteitscontroles tijdens de CI/CD-fase van modelontwikkeling en -implementatie, niet op continue monitoring van een reeds geïmplementeerd batch-inferentiemodel.