FinTrust Inc. обучает табличную модель обнаружения мошенничества и хранит обучающий CSV-файл в s3://fintrust-training/transactions/. Команда платформы ML должна создать базовый уровень качества данных (статистику и ограничения) SageMaker Model Monitor из обучающих данных, чтобы ежедневный мониторинг схемы и распределений входных данных производственного вывода мог предупреждать о дрейфе. Какой из следующих способов является наиболее подходящим и наименее трудозатратным для создания базового уровня Model Monitor, пригодного для использования MonitoringSchedule?

Наиболее подходящим и наименее трудозатратным способом является использование DefaultModelMonitor.suggestbaseline из SageMaker Python SDK или эквивалентного вызова CreateProcessingJob. Этот метод автоматизирует процесс анализа обучающих данных, хранящихся в S3, для генерации базовых статистических данных и ограничений, необходимых для Model Monitor. Он специально разработан для этой цели, что делает его эффективным и простым в реализации. Другие варианты менее оптимальны: Включение захвата данных на конечной точке и использование этих данных для базового уровня не является лучшей практикой, так как базовый уровень должен отражать характеристики обучающих данных, а не производственных. Использование AWS Glue для вычисления статистики и последующее ручное преобразование в формат Model Monitor требует значительных ручных усилий и подвержено ошибкам. Выполнение запросов Athena и сохранение метрик в CloudWatch не создает файл ограничений, необходимый для Model Monitor, и не является его нативным методом для создания базового уровня.