一個已部署模型的推論品質在四個月後下降。團隊希望在推論品質下降時收到通知，並防止再次發生。哪種解決方案能同時滿足這兩個目標？

模型推論品質下降通常是模型漂移的跡象，這表示模型在部署後的資料分佈與訓練時不同。重新訓練模型是解決模型漂移的有效方法，它能讓模型適應新的資料模式。Amazon SageMaker Model Monitor 專為監控生產環境中的模型品質而設計，它可以自動檢測資料漂移、概念漂移和模型偏差，並在偵測到問題時發出通知，從而防止未來再次發生類似的品質下降。 其他選項的錯誤原因： 重新訓練模型。使用 Amazon SageMaker Clarify 監控模型漂移：SageMaker Clarify 主要用於檢測和衡量模型偏差及可解釋性，而非持續監控模型漂移。 建立一個新模型。使用 Amazon SageMaker Feature Store 監控模型漂移：建立新模型不一定能解決根本問題，且 Feature Store 主要用於特徵管理和共享，不具備模型漂移監控功能。 建立一個新模型。使用 Amazon SageMaker JumpStart 監控模型漂移：JumpStart 提供預訓練模型和解決方案，但它不提供模型漂移監控功能。