FinTrust Inc. 訓練了一個表格詐欺偵測模型，並將訓練用的 CSV 儲存在 s3://fintrust-training/transactions/。ML 平台團隊必須從訓練資料建立一個 SageMaker Model Monitor 資料品質基準（統計資料和約束），以便每日監控生產推論輸入的結構和分佈，並在發生漂移時發出警報。以下哪種方法是產生適合 MonitoringSchedule 使用的 Model Monitor 基準，且最合適、最省力的方式？

正確答案是使用 DefaultModelMonitor.suggestbaseline 或 CreateProcessingJob，因為這是 SageMaker Model Monitor 專為從訓練資料自動生成資料品質基準（統計資料和約束）而設計的標準且最有效率的方法。它利用 SageMaker 的內建功能和容器，直接從提供的 S3 訓練資料路徑計算所需的統計資料和約束，並以 Model Monitor 預期的格式輸出。 選項二不正確，因為它建議在沒有訓練資料的情況下從生產資料建立基準，這會導致基準不準確，無法反映模型預期的輸入分佈。選項三雖然可行，但需要手動轉換 Glue 統計資料為 Model Monitor 的 JSON 格式，這既費力又容易出錯。選項四使用 Athena 和 CloudWatch 指標，但這是一種間接且不完整的方法，無法生成 Model Monitor 所需的完整統計資料和約束集。