Розничная компания использует модель ежедневного прогнозирования продаж, которая в течение последних 3 недель выдает неточные прогнозы. Каждый день задание AWS Glue объединяет входные данные модели, прогнозы модели и фактические ежедневные продажи в файлы, которые хранятся в Amazon S3. Команда ML определяет, что неточности вызваны изменениями в распределениях значений признаков, и ей требуется решение, которое будет обнаруживать такой дрейф данных в будущем с минимальными операционными издержками. Какой подход соответствует этому требованию?

Amazon SageMaker Model Monitor предназначен для обнаружения дрейфа данных и модели, что соответствует требованию задачи. Создание базового уровня качества данных позволяет Model Monitor сравнивать текущие данные с эталонным распределением. Включение emitmetrics гарантирует, что Model Monitor будет публиковать метрики дрейфа в Amazon CloudWatch, что позволяет настроить оповещения. Неверные варианты: Мониторинг качества модели (а не данных) не обнаружит дрейф признаков, который является причиной неточностей. Amazon SageMaker Debugger предназначен для отладки моделей во время обучения, а не для мониторинга дрейфа данных в производственной среде. Мониторинг конечных точек SageMaker с помощью CloudWatch Logs не предоставляет автоматизированного механизма обнаружения дрейфа данных; это требует ручного анализа логов.