Szpital uruchamia nocne zadanie wnioskowania wsadowego z modelem ML, który weryfikuje wyniki prześwietleń rentgenowskich. Szpital musi codziennie generować raport dotyczący jakości danych modelu i wydajności modelu. Które rozwiązanie zapewni wymagane codzienne monitorowanie i raportowanie?

Amazon SageMaker Model Monitor jest zaprojektowany do automatycznego monitorowania jakości danych i wydajności modelu w czasie, co idealnie pasuje do wymagań szpitala dotyczących codziennego raportowania. Pozwala na wykrywanie dryfu danych i dryfu modelu, co jest kluczowe dla utrzymania dokładności modelu ML weryfikującego prześwietlenia. Pozostałe opcje są mniej odpowiednie: Pulpit nawigacyjny Amazon CloudWatch monitoruje głównie metryki zasobów, a nie jakość danych czy wydajność modelu ML. AWS Glue DataBrew służy do przygotowywania i czyszczenia danych, a nie do ciągłego monitorowania wydajności modelu po wdrożeniu. Potok SageMaker AI z krokiem QualityCheck jest używany podczas trenowania i wdrażania modelu, a nie do ciągłego, codziennego monitorowania produkcyjnego modelu.