Zespół e-commerce wdrożył model prognozowania do punktu końcowego SageMaker w czasie rzeczywistym w celu zarządzania zapasami niemal w czasie rzeczywistym, ale dokładność modelu spada z czasem. Potrzebują długoterminowego, zautomatyzowanego podejścia do wykrywania problemów, które powinny wywołać ponowne trenowanie. Które rozwiązanie spełnia ten wymóg?

Amazon SageMaker Clarify jest przeznaczony do monitorowania modeli pod kątem dryfu danych i dryfu koncepcji, a także do analizy stronniczości i wyjaśniania modeli. Spadek dokładności modelu w czasie (dryf koncepcji) jest typowym problemem, który Clarify może wykryć, automatycznie wywołując alerty, gdy wydajność modelu spada poniżej ustalonego progu. To pozwala na zautomatyzowane podejście do ponownego trenowania. SageMaker Debugger służy do debugowania problemów podczas trenowania modelu, a nie do monitorowania wdrożonych punktów końcowych. AWS X-Ray monitoruje wydajność aplikacji i usług, ale nie analizuje dryfu modelu ani jego dokładności. SageMaker Ground Truth służy do etykietowania danych, co jest częścią przygotowania danych, a nie monitorowania wdrożonego modelu.