Inżynier ML musi asynchronicznie uruchamiać wnioskowanie modelu na dużych zbiorach danych i planować regularne sprawdzanie jakości danych wejściowych modelu, z alertami w przypadku zmian jakości danych. Które rozwiązanie spełnia te wymagania?

Prawidłowa odpowiedź to użycie Amazon SageMaker batch transform do asynchronicznego wnioskowania i SageMaker Model Monitor do monitorowania jakości danych. SageMaker batch transform jest przeznaczony do asynchronicznego wnioskowania na dużych zbiorach danych, co idealnie pasuje do wymagań. SageMaker Model Monitor to dedykowane narzędzie do planowania regularnych kontroli jakości danych wejściowych modelu i generowania alertów w przypadku wykrycia dryfu danych lub innych problemów z jakością. Pozostałe opcje są mniej odpowiednie: AWS Glue jobs mogą uruchamiać modele, ale nie oferują wbudowanego monitorowania jakości danych modelu jak SageMaker Model Monitor. CloudWatch jest ogólnym narzędziem do monitorowania, ale nie jest specjalnie zaprojektowany do monitorowania jakości danych modelu. AWS Batch może uruchamiać zadania wnioskowania, ale podobnie jak AWS Glue, brakuje mu wbudowanych funkcji monitorowania jakości danych modelu. AWS CloudTrail służy do audytu i logowania aktywności API, a nie do monitorowania jakości danych. Hostowanie modeli na Amazon ECS z AWS Fargate jest rozwiązaniem do wnioskowania w czasie rzeczywistym lub wsadowego, ale wymagałoby niestandardowej implementacji monitorowania jakości danych. Amazon EventBridge jest brokerem zdarzeń, a nie narzędziem do monitorowania jakości danych.