Firma zbiera dane z czujników (temperatura, ciśnienie itp.) w celu przewidywania awarii sprzętu. Przed rozpoczęciem szkolenia specjalista ML musi wykryć i usunąć wartości odstające przy minimalnym narzucie operacyjnym. Które podejście spełnia ten wymóg przy najmniejszym wysiłku?

Prawidłowa odpowiedź to użycie wizualizacji wykrywania anomalii Amazon SageMaker Data Wrangler, aby zlokalizować wartości odstające, a następnie dodanie transformacji w przepływie Data Wrangler w celu ich usunięcia. Data Wrangler oferuje wbudowane wizualizacje i transformacje, co minimalizuje wysiłek operacyjny i jest zgodne z celem wykrywania i usuwania wartości odstających przed szkoleniem modelu. Pozostałe opcje są mniej efektywne: Ręczne obliczanie kwartyli w notatniku SageMaker Studio, a następnie użycie Data Wrangler, jest bardziej pracochłonne niż wbudowane funkcje Data Wrangler. Raport odchyleń SageMaker Data Wrangler jest użyteczny do identyfikacji odchyleń, ale wizualizacja wykrywania anomalii jest bardziej bezpośrednia do lokalizowania wartości odstających w kontekście ich usuwania. Amazon Lookout for Equipment to usługa do monitorowania sprzętu i przewidywania awarii, a nie narzędzie do ogólnego wstępnego przetwarzania danych i usuwania wartości odstających z dowolnego zestawu danych.