Wdrożony model XGBoost na punkcie końcowym SageMaker odbiera żądania wnioskowania na żywo za pośrednictwem funkcji AWS Lambda. Zespół musi wykryć, czy dokładność modelu pogarsza się w czasie, używając przychodzących danych na żywo. Które rozwiązanie spełnia tę potrzebę?

Prawidłową odpowiedzią jest zaplanowanie zadania SageMaker Model Monitor. SageMaker Model Monitor jest specjalnie zaprojektowany do wykrywania dryfu danych i dryfu modelu w czasie, porównując dane wnioskowania na żywo z ustalonymi statystykami bazowymi i ograniczeniami z danych treningowych. Umożliwia to proaktywne monitorowanie jakości modelu. Budowanie pulpitu nawigacyjnego CloudWatch do ręcznego wykrywania dryfu jest mniej efektywne i nieautomatyczne. Modyfikowanie funkcji Lambda w celu obliczania dryfu jest niepraktyczne i zwiększa złożoność kodu, ponieważ wymagałoby implementacji niestandardowej logiki monitorowania, która jest już dostępna w SageMaker Model Monitor. SageMaker Debugger służy do monitorowania i debugowania problemów podczas treningu modelu, a nie do wykrywania dryfu modelu po wdrożeniu.