Firma handlowa codziennie uruchamia model prognozowania sprzedaży, który od 3 tygodni generuje niedokładne przewidywania. Każdego dnia zadanie AWS Glue łączy dane wejściowe modelu, przewidywania modelu i rzeczywistą dzienną sprzedaż w pliki, które są przechowywane w Amazon S3. Zespół ML identyfikuje, że niedokładności są spowodowane zmianami w rozkładach wartości cech i potrzebuje rozwiązania, które w przyszłości wykryje takie dryfty danych przy najmniejszym narzucie operacyjnym. Które podejście spełnia ten wymóg?

Prawidłowa odpowiedź to użycie Amazon SageMaker Model Monitor do utworzenia punktu odniesienia jakości danych, włączenie emitmetrics w ograniczeniach punktu odniesienia i utworzenie alarmu Amazon CloudWatch. SageMaker Model Monitor jest przeznaczony do wykrywania dryfu danych i dryfu modelu, a jego funkcja jakości danych jest idealna do identyfikowania zmian w rozkładach cech. Włączenie emitmetrics pozwala na generowanie metryk, na podstawie których można skonfigurować alarmy CloudWatch, zapewniając automatyczne powiadomienia o dryfie. Nieprawidłowe opcje: "Użyj Amazon SageMaker Model Monitor, aby utworzyć punkt odniesienia jakości modelu..." jest nieprawidłowe, ponieważ problem dotyczy dryfu danych (zmian w rozkładach cech), a nie dryfu jakości modelu (np. pogorszenia dokładności). "Użyj Amazon SageMaker Debugger..." jest nieprawidłowe, ponieważ Debugger służy głównie do analizy i debugowania problemów podczas treningu modelu, a nie do monitorowania dryfu danych w produkcji. "Użyj Amazon CloudWatch do monitorowania punktów końcowych SageMaker i sprawdź CloudWatch Logs..." jest zbyt ogólne i nie oferuje dedykowanego rozwiązania do automatycznego wykrywania dryfu danych z najmniejszym narzutem operacyjnym. Wymagałoby to ręcznej analizy logów lub skomplikowanej konfiguracji, co zwiększa narzut.