Potok ML powinien automatycznie uruchamiać zadanie ponownego trenowania za każdym razem, gdy zostanie wykryty dryf danych. Jak inżynier powinien skonfigurować potok, aby wykrywać dryf i uruchamiać ponowne trenowanie?

SageMaker Model Monitor jest przeznaczony do ciągłego monitorowania jakości modeli ML w produkcji, w tym wykrywania dryfu danych (data drift) i dryfu koncepcyjnego (concept drift). Po wykryciu dryfu, Model Monitor może wywołać alarm, który z kolei może uruchomić funkcję AWS Lambda. Funkcja Lambda jest idealnym narzędziem do automatyzacji zadania ponownego trenowania, ponieważ jest bezserwerowa i może wykonywać kod w odpowiedzi na zdarzenia. AWS Glue crawler i zadania ETL służą do katalogowania i przetwarzania danych, a nie do wykrywania dryfu danych w kontekście monitorowania modelu ML. Amazon Managed Service for Apache Flink jest platformą do przetwarzania strumieniowego w czasie rzeczywistym, ale nie oferuje wbudowanych funkcji wykrywania dryfu danych dla modeli ML. Amazon QuickSight anomaly detection służy do wykrywania anomalii w danych biznesowych, a nie do monitorowania dryfu danych w kontekście modelu ML.