Inżynier ML musi monitorować model SageMaker, aby automatycznie wykrywać zmiany w rozkładach cech wejściowych. Które podejście zapewnia tę możliwość przy minimalnym narzucie operacyjnym?

Prawidłowa odpowiedź to skonfigurowanie SageMaker Model Monitor z punktem odniesienia jakości danych i włączeniem emitmetrics. SageMaker Model Monitor jest przeznaczony do automatycznego wykrywania dryfu danych i dryfu modelu, a włączenie emitmetrics powoduje wysyłanie metryk do CloudWatch, co umożliwia łatwe tworzenie alarmów. To podejście minimalizuje narzut operacyjny, automatyzując wykrywanie i powiadamianie. Opcja dotycząca jakości modelu jest nieprawidłowa, ponieważ pytanie dotyczy zmian w rozkładach cech wejściowych (dryf danych), a nie jakości modelu. SageMaker Debugger jest przeznaczony głównie do debugowania podczas trenowania i nie jest optymalnym rozwiązaniem do ciągłego monitorowania dryfu danych w produkcji. Bezpośrednie monitorowanie CloudWatch i ręczna analiza logów są zbyt pracochłonne i nie zapewniają automatycznego wykrywania dryfu danych.