一家電信公司部署了一個模型，該模型是根據某個地區數年的資料訓練而成的，用於識別在致電支援時可能取消服務的客戶。該公司將推出一個全球產品，並擔心該模型可能會錯誤地將許多來自沒有訓練資料的地區的電話轉接到專業團隊。哪種方法最能有效解決此風險？

正確答案透過 SageMaker Model Monitor 解決了資料漂移問題。啟用資料擷取，建立訓練資料基準，並排程監控任務，可以持續追蹤模型輸入資料與訓練資料之間的差異。當資料偏離基準時，CloudWatch 警報會通知操作人員，指示模型可能不再適用於新區域的資料。這促使重新評估並使用更廣泛的資料進行再訓練，以提高模型在全球產品上的表現。 SageMaker Debugger 主要用於訓練期間的除錯，而非生產環境中的資料漂移監控。將所有專業團隊的通話儲存並監控準確度，雖然有助於評估模型效能，但無法直接識別資料漂移，且需要真實標籤，這在模型預測之前可能無法立即獲得。CloudWatch 記錄雖然有用，但本身不提供自動化的資料偏離監控功能，需要手動比較和分析，效率較低。