Potok SageMaker, który zawiera Model Monitor, zgłasza naruszenia baseline_drift_check w danych wyjściowych MonitoringExecution, co powoduje awarię potoku. Jakie jest odpowiednie działanie w celu rozwiązania tych naruszeń dryfu?

Naruszenia baselinedriftcheck w Amazon SageMaker Model Monitor wskazują, że dane wejściowe do modelu odbiegają znacząco od danych, na których model był pierwotnie trenowany. Aby rozwiązać ten problem, należy ponownie wytrenować model na zaktualizowanych danych treningowych, które odzwierciedlają obecny rozkład danych. Po ponownym wytrenowaniu modelu, konieczne jest również utworzenie nowej linii bazowej dla Model Monitora, aby mógł on porównywać przyszłe dane z nowym, aktualnym stanem modelu. Ponowne użycie oryginalnej linii bazowej (opcja druga) spowodowałoby dalsze fałszywe alarmy. Użycie SageMaker Debugger (opcja pierwsza) jest przeznaczone do analizy problemów podczas treningu, a nie do rozwiązywania dryfu danych. Włączenie emitmetrics (opcja czwarta) służy do generowania metryk, a nie do rozwiązywania problemu dryfu.