FinTrust Inc., tablo biçimli bir dolandırıcılık tespit modeli eğitiyor ve eğitim CSV'sini s3://fintrust-training/transactions/ konumunda depoluyor. ML platform ekibi, üretim çıkarım girdisi şemasının ve dağılımlarının günlük izlenmesinin kaymayı (drift) bildirebilmesi için eğitim verilerinden bir SageMaker Model Monitor veri kalitesi taban çizgisi (istatistikler ve kısıtlamalar) oluşturmalıdır. Bir MonitoringSchedule tarafından kullanıma uygun bir Model Monitor taban çizgisi oluşturmanın en uygun ve en az çaba gerektiren yolu hangisidir?

Doğru cevap, SageMaker Python SDK'sındaki DefaultModelMonitor.suggestbaseline yöntemini kullanmak veya eşdeğer bir CreateProcessingJob çağrısı yapmaktır. Bu yöntem, eğitim verilerinden otomatik olarak istatistikler ve kısıtlamalar oluşturarak Model Monitor için bir temel çizgi oluşturmanın en entegre ve az çaba gerektiren yoludur. SageMaker Model Monitor, bu işlevselliği doğrudan destekler. Diğer seçenekler neden uygun değil: Üretim uç noktasında veri yakalamayı etkinleştirmek, eğitim verileriyle bir temel çizgi oluşturma gereksinimini karşılamaz ve üretim verileriyle oluşturulan temel çizgi, eğitim verilerinin dağılımını doğru bir şekilde temsil etmeyebilir. AWS Glue kullanmak ve ardından Model Monitor kısıtlamalarına manuel olarak dönüştürmek, önemli ölçüde daha fazla manuel çaba gerektirir ve hataya açıktır. Amazon Athena sorguları ve CloudWatch metrikleri, Model Monitor'un beklediği istatistik ve kısıtlama formatını doğrudan sağlamaz ve bu da karmaşık bir dönüştürme ve entegrasyon süreci gerektirir.