FácilOpción múltiple

Pregunta de práctica de MLA-C01

Un equipo de ciencia de datos implementa un endpoint de inferencia en tiempo real en Amazon SageMaker. Desean supervisar la desviación de datos (data drift) en las características de entrada a lo largo del tiempo. ¿Qué servicio de AWS deben utilizar para capturar y analizar la distribución de datos de entrada?

Elige la mejor respuesta.

Respuesta correcta

  • CAmazon SageMaker Model Monitor

Explicación

Amazon SageMaker Model Monitor es el servicio correcto porque está diseñado específicamente para supervisar continuamente modelos de aprendizaje automático en producción en busca de desviación de datos y problemas de calidad. Captura automáticamente las distribuciones de datos de entrada de endpoints de inferencia en tiempo real y las compara con una línea base para detectar cambios estadísticos, alertando al equipo cuando se produce una desviación.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Amazon Athena

Athena consulta datos ya almacenados en S3; no puede capturar tráfico de endpoint en vivo, por lo que ninguna distribución de entrada llega a él. SageMaker Model Monitor recopila los datos de inferencia del endpoint y los escribe en S3 para el análisis de desviación. Athena resulta tentador porque analiza datos de S3 con SQL y sería correcto para consultar informes de monitoreo exportados después de la captura.

B

Incorrecta

AWS CloudTrail

CloudTrail registra la actividad de la API de AWS para auditoría y gobernanza, no los valores de características enviados a un endpoint, por lo que no puede capturar distribuciones de entrada. Es tentador porque es un servicio de registro omnipresente y la detección de desviaciones suena a monitoreo. SageMaker Model Monitor, utilizando su configuración de captura de datos, es el servicio creado para esto.

C

Correcta

Amazon SageMaker Model Monitor

Amazon SageMaker Model Monitor captura los datos de solicitudes de endpoints y compara su distribución con una línea base, detectando desviaciones en las características de entrada. Satisface el requisito de monitoreo continuo y automatizado de desviación de datos en un endpoint de inferencia en tiempo real en vivo, publicando violaciones en Amazon CloudWatch con umbrales configurables.

D

Incorrecta

Amazon CloudWatch Logs

CloudWatch Logs almacena registros de texto, no los vectores de características que Model Monitor necesita para la comparación de distribuciones, y no proporciona una línea base de desviación ni estadísticas. Es tentador porque los endpoints emiten registros y alarmas de CloudWatch sobre métricas, lo que se adapta al monitoreo operativo como latencia o tasas de errores en lugar de la desviación de datos.

Para profundizar

SageMaker Model Monitor captura los datos de entrada y salida del endpoint en S3 a través de DataCaptureConfig, y luego ejecuta trabajos de monitoreo programados que comparan la distribución de datos en vivo con una línea base calculada a partir de los datos de entrenamiento. Calcula estadísticas y restricciones utilizando el mismo motor basado en Deequ que SageMaker Data Wrangler, y emite violaciones en las métricas de CloudWatch y en la consola de SageMaker. Un comportamiento sutil: la captura de datos debe habilitarse en el momento de la creación del endpoint; no se puede capturar datos retroactivamente de un endpoint que ya está en ejecución sin actualizarlo, y el porcentaje de muestreo de captura controla el costo. Esto importa cuando la distribución de características de entrada de un modelo cambia, por ejemplo, cuando una promoción altera el comportamiento del cliente, y necesita detectarlo antes de que la calidad de la predicción se degrade.

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de MLA-C01 de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.

Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.