Model generatywnej sztucznej inteligencji firmy, służący do segmentacji klientów, działał w środowisku produkcyjnym przez długi czas i ostatnio zaczął generować niespójne wyniki. Firma chce ocenić stronniczość modelu i wykryć dryf. Której usługi lub funkcji AWS powinna użyć?

Amazon SageMaker Model Monitor to właściwy wybór, ponieważ jest przeznaczony do ciągłego monitorowania modeli uczenia maszynowego w środowiskach produkcyjnych. Umożliwia wykrywanie dryfu danych i dryfu jakości modelu, co jest kluczowe w przypadku niespójnych wyników. Może również pomóc w identyfikacji potencjalnych problemów ze stronniczością poprzez monitorowanie rozkładów danych wejściowych. Amazon SageMaker Clarify służy do wykrywania stronniczości i wyjaśniania modeli PRZED wdrożeniem do produkcji lub do analizy post-hoc, a nie do ciągłego monitorowania dryfu w czasie rzeczywistym. Amazon SageMaker Model Cards służy do dokumentowania informacji o modelu, takich jak jego przeznaczenie, dane treningowe i metryki, co jest ważne dla zarządzania, ale nie monitoruje dryfu. Amazon SageMaker Feature Store służy do przechowywania i udostępniania cech (features) dla modeli, a nie do monitorowania ich wydajności.