Специалист по данным использовал SageMaker для обучения и развертывания модели прогнозирования дефолтов по кредитам. Обучение выполнялось путем ручного извлечения данных и выполнения шагов в ноутбуке SageMaker Studio. Точность прогнозирования со временем снижается. Какая комбинация шагов является наиболее операционно эффективным способом поддержания точности модели? (Выберите два.)

Использование SageMaker Pipelines для автоматизации всего жизненного цикла модели (извлечение данных, переобучение, развертывание) является наиболее операционно эффективным способом поддержания точности, поскольку устраняет ручные ошибки и обеспечивает своевременное обновление модели. Настройка SageMaker Model Monitor с порогом точности и интеграция его с CloudWatch и SageMaker Pipelines позволяет автоматически обнаруживать дрейф модели и запускать переобучение, что критически важно для поддержания производительности. Хранение прогнозов в S3 и запуск задания SageMaker Processing для оценки точности — это шаг в правильном направлении, но он не автоматизирует переобучение и развертывание. Периодический ручной перезапуск ячеек ноутбука не масштабируется и подвержен ошибкам. Экспорт кода в скрипт Python и запуск его как задачи ECS с помощью Lambda усложняет архитектуру без предоставления преимуществ интегрированной платформы MLOps, такой как SageMaker Pipelines.