FinTrust Inc. traint een tabulair fraudedetectiemodel en slaat de trainings-CSV op in s3://fintrust-training/transactions/. Het ML-platformteam moet een SageMaker Model Monitor data-quality baseline (statistieken en constraints) creëren op basis van de trainingsdata, zodat dagelijkse monitoring van het productieschema voor inferentie-input en distributies kan waarschuwen voor drift. Wat is de meest geschikte manier met minimale inspanning om een Model Monitor baseline te produceren die geschikt is voor gebruik door een MonitoringSchedule?

De correcte optie beschrijft de meest efficiënte en aanbevolen methode om een Model Monitor baseline te creëren met minimale inspanning. De DefaultModelMonitor.suggestbaseline functie in de SageMaker Python SDK (of de onderliggende CreateProcessingJob met de Model Monitor container) is specifiek ontworpen om statistieken en constraints te genereren uit trainingsdata, wat precies is wat nodig is voor een data-quality baseline. Dit automatiseert het proces en zorgt voor compatibiliteit met Model Monitor. De andere opties zijn minder geschikt: Datacapture inschakelen op het productie-eindpunt en daaruit een baseline genereren is niet ideaal, omdat de baseline gebaseerd moet zijn op de trainingsdata om afwijkingen in de inferentie-input te detecteren. Het gebruik van AWS Glue en handmatige conversie is omslachtig en foutgevoelig, en vereist meer inspanning dan de geautomatiseerde SageMaker-methode. Het uitvoeren van een Athena-query en het opslaan van aggregaten als CloudWatch custom metrics is niet de juiste aanpak voor het creëren van een Model Monitor baseline, die specifieke statistieken en constraints in een gedefinieerd formaat vereist.