MLAMLソリューションの監視、メンテナンス、セキュリティ
ある小売企業が商品需要予測モデルをSageMakerリアルタイムエンドポイントにデプロイしています。4ヶ月後、予測精度が低下し始めました。MLエンジニアは、本番環境への入力データの統計的特性（平均・標準偏差・欠損値率）がトレーニングデータから乖離していることを疑っています。データドリフトを自動検出し、CloudWatchアラームで通知する仕組みを最小限の実装コストで構築したい場合、最も適切なアプローチはどれですか？
AAmazon CloudWatch Logs Insights でエンドポイントの推論ログを定期的にクエリし、Lambda 関数で統計を計算してドリフトを検出するカスタムソリューションを構築する
CloudWatch Logs Insights でカスタムソリューションを構築する方法は運用負荷が高くなります。
BSageMaker Model Monitor の DataQualityMonitor を使用して、トレーニングデータからベースライン統計を生成し、エンドポイントへの入力データをスケジュール実行で継続的に評価・比較する
✓ 正解
SageMaker Model Monitor の DataQualityMonitor は、トレーニングデータからベースライン統計（平均・標準偏差・欠損率・分布）を自動生成し、本番エンドポイントへの入力データをスケジュール実行で継続的に評価します。統計的違反検出時には CloudWatch メトリクスに記録しアラームで通知できます。
CSageMaker Clarify の継続的モニタリングを設定し、デプロイ済みモデルの予測バイアスとデータドリフトを同時に検出する
SageMaker Clarify の継続的モニタリングは予測バイアスの検出が主目的です。
DSageMaker Debugger のリアルタイムモニタリングルールを設定し、エンドポイントへの入力テンソルの統計的異常を検出する
SageMaker Debugger はトレーニングジョブ中のデバッグに特化しており、本番エンドポイント運用中のデータドリフト検出には適していません。
解説
SageMaker Model Monitor の DataQualityMonitor は、トレーニングデータからベースライン統計（平均・標準偏差・欠損率・分布）を自動生成し、本番エンドポイントへの入力データをスケジュール実行で継続的に評価します。統計的違反検出時には CloudWatch メトリクスに記録しアラームで通知できます。
選択肢AのCloudWatch Logs Insights でカスタムソリューションを構築する方法は運用負荷が高くなります。
選択肢CのSageMaker Clarify の継続的モニタリングは予測バイアスの検出が主目的です。
選択肢DのSageMaker Debugger はトレーニングジョブ中のデバッグに特化しており、本番エンドポイント運用中のデータドリフト検出には適していません。
ドメイン別正答率・予想スコアでリアルタイムに実力把握
無限ノックでMLAを徹底対策。全問AI生成のオリジナル問題。
無料で演習を始める →