FacileChoix unique

Question d'entraînement MLA-C01

Une équipe de science des données déploie un point de terminaison d'inférence en temps réel sur Amazon SageMaker. Ils souhaitent surveiller la dérive des données (data drift) dans les caractéristiques d'entrée au fil du temps. Quel service AWS doivent-ils utiliser pour capturer et analyser la distribution des données d'entrée ?

Choisissez la meilleure réponse.

Bonne réponse

  • CAmazon SageMaker Model Monitor

Explication

Amazon SageMaker Model Monitor est le service correct car il est spécifiquement conçu pour surveiller en continu les modèles d'apprentissage automatique en production à la recherche de dérives de données et de problèmes de qualité. Il capture automatiquement les distributions de données d'entrée à partir de points de terminaison d'inférence en temps réel et les compare à une référence de base pour détecter les changements statistiques, alertant l'équipe lorsqu'une dérive se produit.

Pourquoi chaque option est juste ou fausse

A

Fausse

Amazon Athena

Athena interroge des données déjà stockées dans S3 ; il ne peut pas capturer le trafic de point de terminaison en direct, de sorte qu'aucune distribution d'entrée ne l'atteint. SageMaker Model Monitor collecte les données d'inférence du point de terminaison et les écrit dans S3 pour l'analyse de dérive. Athena est tentant car il analyse les données S3 avec SQL, et serait correct pour interroger des rapports de surveillance exportés après la capture.

B

Fausse

AWS CloudTrail

CloudTrail enregistre l'activité de l'API AWS pour l'audit et la gouvernance, et non les valeurs de caractéristiques envoyées à un point de terminaison, il ne peut donc pas capturer les distributions d'entrée. Il est tentant car c'est un service de journalisation omniprésent et la détection de dérive ressemble à de la surveillance. SageMaker Model Monitor, en utilisant sa configuration de capture de données, est le service conçu pour cela.

C

Juste

Amazon SageMaker Model Monitor

Amazon SageMaker Model Monitor capture les données de requête de point de terminaison et compare leur distribution à une référence de base, détectant la dérive dans les caractéristiques d'entrée. Il répond à l'exigence d'une surveillance continue et automatisée de la dérive des données sur un point de terminaison d'inférence en temps réel en direct, publiant des violations sur Amazon CloudWatch avec des seuils configurables.

D

Fausse

Amazon CloudWatch Logs

CloudWatch Logs stocke des journaux textuels, et non les vecteurs de caractéristiques dont Model Monitor a besoin pour la comparaison de distribution, et ne fournit aucune référence de dérive ni statistique. Il est tentant car les points de terminaison émettent des journaux et des alarmes CloudWatch sur des métriques, ce qui convient à la surveillance opérationnelle telle que la latence ou les taux d'erreur plutôt qu'à la dérive des données.

Pour aller plus loin

SageMaker Model Monitor capture les données d'entrée et de sortie du point de terminaison vers S3 via DataCaptureConfig, puis exécute des tâches de surveillance planifiées qui comparent la distribution des données en direct à une référence calculée à partir des données d'entraînement. Il calcule des statistiques et des contraintes en utilisant le même moteur basé sur Deequ que SageMaker Data Wrangler, et émet des violations dans les métriques CloudWatch et la console SageMaker. Un comportement subtil : la capture des données doit être activée lors de la création du point de terminaison ; vous ne pouvez pas capturer rétroactivement des données d'un point de terminaison déjà en cours d'exécution sans le mettre à jour, et le pourcentage d'échantillonnage de la capture contrôle le coût. Cela importe lorsque la distribution des caractéristiques d'entrée d'un modèle change, par exemple lorsqu'une promotion modifie le comportement des clients, et que vous devez le détecter avant que la qualité des prédictions ne se dégrade.

À propos de ces questions d'entraînement

Cette question fait partie des questions d'entraînement MLA-C01 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.

Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.