HealthData Labs chce śledzić dryf w atrybucjach cech (wartości SHAP) dla klinicznego modelu ryzyka. Obliczyli już wartości SHAP dla zbioru treningowego i zapisali je w s3://healthdata-baselines/shap/. Punkt końcowy produkcyjny przechwytuje dane wejściowe i wyjściowe modelu do s3://healthdata-capture/. Które podejście pozwoli im użyć monitorowania SageMaker do wykrywania zmian w rozkładach SHAP w czasie?

Prawidłowa odpowiedź opisuje standardowy sposób monitorowania dryfu atrybucji cech (SHAP) za pomocą SageMaker Model Monitor. Obejmuje to ustalenie wartości bazowych SHAP na danych treningowych za pomocą SageMaker Clarify, włączenie przechwytywania danych z punktu końcowego produkcyjnego, a następnie skonfigurowanie harmonogramu monitorowania wyjaśnialności modelu (feature-attribution). Ten harmonogram będzie okresowo obliczał SHAP dla przechwyconych danych produkcyjnych (również za pomocą Clarify) i porównywał je z wartościami bazowymi, aby wykryć dryf. Pozostałe opcje są nieprawidłowe: Wbudowana flaga eksportu SHAP nie istnieje w EndpointConfig. Kontener modelu nie emituje metryk FeatureImportance, a CloudWatch nie monitoruje SHAP automatycznie w ten sposób. Użycie codziennego zapytania Athena do obliczania przybliżonych wartości SHAP jest obejściem, które nie wykorzystuje w pełni możliwości SageMaker Model Monitor do automatycznego wykrywania dryfu atrybucji cech.