一家零售公司每天執行銷售預測模型，但過去三週以來，預測結果一直不準確。每天，AWS Glue job 會將模型輸入、模型預測和實際每日銷售額合併到儲存在 Amazon S3 中的檔案。ML 團隊發現不準確的原因是特徵值分佈的變化，需要一個解決方案來在未來偵測此類資料漂移，並將營運開銷降到最低。哪種方法符合此要求？

正確答案是使用 Amazon SageMaker Model Monitor 建立資料品質基準，並啟用 emitmetrics，然後在這些指標上建立 Amazon CloudWatch 警報。這是因為資料漂移（data drift）是由特徵值分佈的變化引起的，而 Model Monitor 的資料品質監控功能正是為此設計。它能自動分析輸入資料的統計屬性，並與基準進行比較，當偵測到顯著偏差時發出警報。 選項「模型品質基準」不正確，因為模型品質監控主要關注模型效能指標（如準確度），而非輸入資料分佈。選項「Amazon SageMaker Debugger」不正確，Debugger 主要用於訓練期間的除錯和模型行為分析，不適用於生產環境中的資料漂移偵測。選項「Amazon CloudWatch 監控 SageMaker 端點並檢查 CloudWatch Logs」不正確，因為 CloudWatch Logs 雖然可以記錄資料，但缺乏自動化分析和基準比較功能來有效偵測資料漂移，需要大量手動工作。