HealthData Labs хочет отслеживать дрейф в атрибуции признаков (значения SHAP) для модели клинического риска. Они уже рассчитали значения SHAP для обучающего набора и сохранили их в s3://healthdata-baselines/shap/. Конечная точка продакшена фиксирует входные данные и выходные данные модели в s3://healthdata-capture/. Какой подход позволит им использовать мониторинг SageMaker для обнаружения изменений в распределениях SHAP с течением времени?

Правильный ответ описывает стандартный подход SageMaker Model Monitor для мониторинга дрейфа атрибуции признаков (SHAP). Он включает создание базовых значений SHAP с помощью SageMaker Clarify на обучающих данных, сохранение их в S3, включение захвата данных для производственной конечной точки, а затем настройку расписания мониторинга объяснимости модели. Это расписание будет периодически запускаться, использовать Clarify для вычисления SHAP для захваченных производственных запросов и сравнивать эти распределения атрибуции с базовыми. Неправильные варианты: Встроенный флаг экспорта SHAP не существует для автоматической аннотации захваченных запросов. SageMaker Model Monitor требует явной настройки для мониторинга объяснимости. Контейнер модели не выдает метрики FeatureImportance, которые CloudWatch может автоматически интерпретировать как изменения SHAP. Мониторинг атрибуции признаков требует специализированной обработки. Запуск запросов Athena для вычисления приблизительного SHAP и отправка пользовательских метрик CloudWatch — это обходной путь, который не использует встроенные возможности SageMaker Model Monitor для объяснимости и является менее эффективным и точным.