Телекоммуникационная компания развернула модель, обученную на данных за несколько лет из одного региона, для выявления клиентов, которые, вероятно, отменят подписку при обращении в службу поддержки. Компания планирует запустить глобальный продукт и опасается, что модель может ошибочно направлять множество звонков из регионов без обучающих данных в специализированную команду. Какой подход наиболее эффективно устраняет этот риск?

Правильный ответ наиболее эффективно устраняет риск, поскольку SageMaker Model Monitor специально разработан для обнаружения дрейфа данных и смещения модели. Включение сбора данных на конечной точке позволяет Model Monitor сравнивать входящие региональные данные с базовым планом обучающих данных. Если данные из новых регионов значительно отличаются (дрейфуют) от данных, на которых обучалась модель, CloudWatch может подать сигнал тревоги, указывая на необходимость переобучения модели с использованием более репрезентативных глобальных данных. SageMaker Debugger не предназначен для мониторинга дрейфа данных после развертывания. Хранение звонков в S3 и вычисление точности — это ретроспективный анализ производительности, а не проактивное обнаружение дрейфа данных, который может привести к снижению точности. Логирование CloudWatch и сравнение с базовым планом является слишком общим и не предоставляет специализированных возможностей обнаружения дрейфа данных, предлагаемых Model Monitor.