Model przewidywania cen nieruchomości wdrożony na stronie internetowej stopniowo traci dokładność. Inżynier musi ulepszyć model i być automatycznie powiadamiany o przyszłych spadkach wydajności. Które podejście spełnia oba te wymagania?

Prawidłowa odpowiedź spełnia oba wymagania: przyrostowe trenowanie (incremental training) to efektywny sposób na aktualizację modelu bez konieczności trenowania od zera, co jest idealne, gdy model stopniowo traci dokładność. Amazon SageMaker Model Monitor jest przeznaczony do ciągłego monitorowania wydajności wdrożonych modeli, wykrywania dryfu danych (data drift) i dryfu modelu (model drift) oraz wysyłania powiadomień, co rozwiązuje problem automatycznego informowania o spadkach wydajności. Nieprawidłowe opcje: Amazon SageMaker Model Governance nie służy do automatycznego dostosowywania hiperparametrów ani monitorowania wydajności w czasie rzeczywistym w sposób, w jaki robi to Model Monitor. Amazon SageMaker Debugger jest używany do analizy i debugowania problemów podczas trenowania modelu, a nie do monitorowania wydajności wdrożonego modelu ani do automatycznego ponownego trenowania. Trenowanie modelu tylko na danych z ostatnich miesięcy może być niewystarczające, jeśli starsze dane nadal zawierają cenne wzorce. Przyrostowe trenowanie z uwzględnieniem całego zbioru danych (lub jego reprezentatywnej części) jest zazwyczaj bardziej efektywne.