Инженер машинного обучения должен асинхронно выполнять вывод модели на больших наборах данных и планировать регулярные проверки качества входных данных модели с оповещениями при изменении качества данных. Какое решение удовлетворяет этим требованиям?

Правильный ответ — использование Amazon SageMaker batch transform для асинхронного вывода и SageMaker Model Monitor для мониторинга качества данных. SageMaker batch transform специально разработан для асинхронного вывода на больших наборах данных, эффективно обрабатывая их без необходимости постоянного хостинга. SageMaker Model Monitor позволяет планировать проверки качества входных данных модели, обнаруживать дрейф данных и отправлять оповещения, что идеально соответствует требованиям. Первый вариант (AWS Glue и CloudWatch) не оптимален, так как AWS Glue в первую очередь предназначен для ETL, а не для вывода модели, а CloudWatch не имеет встроенных возможностей для мониторинга качества данных модели. Второй вариант (AWS Batch и CloudTrail) также не подходит, поскольку AWS Batch предназначен для пакетных вычислений общего назначения, а CloudTrail используется для аудита API-вызовов, а не для мониторинга качества данных. Третий вариант (Amazon ECS с Fargate и EventBridge) может использоваться для вывода, но не предоставляет специализированных инструментов для мониторинга качества данных модели, как SageMaker Model Monitor.