Модель прогнозирования цен на недвижимость, развернутая на веб-сайте, постепенно теряет точность. Инженеру необходимо улучшить модель и автоматически получать оповещения о будущих ухудшениях производительности. Какой подход удовлетворяет обоим требованиям?

Правильный ответ — инкрементное обучение в сочетании с Amazon SageMaker Model Monitor. Инкрементное обучение позволяет модели адаптироваться к новым данным и изменениям в распределении данных (дрейфу данных), что является частой причиной снижения точности моделей прогнозирования цен на недвижимость. SageMaker Model Monitor автоматически отслеживает качество модели в производственной среде, выявляя дрейф данных, отклонения признаков и другие проблемы, которые могут привести к снижению производительности. Он может отправлять уведомления, когда обнаруживает аномалии, что позволяет инженеру своевременно реагировать. Остальные варианты менее эффективны: SageMaker Model Governance не является отдельным сервисом для автоматической корректировки гиперпараметров, а скорее набор функций для управления моделями. Автоматическая корректировка гиперпараметров не решает проблему дрейфа данных напрямую. SageMaker Debugger предназначен для отладки обучения модели, а не для мониторинга производительности развернутой модели. Переобучение только на недавних данных может быть полезным, но без мониторинга проблема может повториться. Переобучение только на недавних данных без инкрементального подхода может быть неоптимальным и не решает проблему автоматического обнаружения будущих ухудшений.