Analityk danych użył SageMaker do wytrenowania i wdrożenia modelu przewidywania niewypłacalności kredytowej. Trening odbył się poprzez ręczne wyodrębnienie danych i uruchomienie kroków w notatniku SageMaker Studio. Dokładność przewidywań spada z czasem. Która kombinacja kroków jest najbardziej efektywna operacyjnie w utrzymaniu dokładności modelu? (Wybierz dwie odpowiedzi.)

SageMaker Pipelines automatyzuje cały cykl życia ML, w tym pozyskiwanie danych, ponowne trenowanie i wdrażanie, co jest kluczowe dla utrzymania dokładności modelu w czasie. SageMaker Model Monitor wykrywa dryf danych i dryf modelu w czasie rzeczywistym, a integracja z CloudWatch umożliwia automatyczne uruchamianie potoków ponownego trenowania, gdy dokładność spadnie poniżej progu. Te dwa rozwiązania razem tworzą solidny, operacyjnie efektywny system do zarządzania dryfem modelu. Ręczne uruchamianie notatników jest nieefektywne i podatne na błędy. Codzienne zadania SageMaker Processing do oceny dokładności są lepsze, ale nie zapewniają automatycznego ponownego trenowania. Eksportowanie kodu do zadania ECS jest zbyt złożone i nie wykorzystuje w pełni możliwości SageMaker do zarządzania cyklem życia ML.