AIF-C01#46(fundamentals-ai-ml)
ある企業が Amazon SageMaker Model Monitor を使用して予測モデルを監視しています。その際、データドリフト（data drift）が定義されたしきい値を超えていることに気づきました。企業は、予測モデルへの悪影響（精度の低下など）を軽減したいと考えています。 この要件を満たすソリューションはどれですか？
正解：C
正解の根拠
データドリフトは入力データ分布が訓練時と乖離する現象で、放置すると精度が劣化します。直接的な対処は最新の本番データ分布を反映した再学習 (リトレーニング) で、SageMaker Pipelines や Model Monitor のスケジューリングで自動化できます。MLOps の標準的なフィードバックループです。
ドリフト対応策
| 対応 | 効果 |
|---|---|
| 新データで再学習 | 分布変化を直接是正 |
| エンドポイント再起動 | 分布変化に効果なし |
| 感度調整 | 検知側のみで根本未解決 |
| Experiments 追跡 | 実験管理用、是正ではない |
不正解の理由
- A: エンドポイント再起動はインスタンス再立ち上げに過ぎず、モデルの予測分布乖離を是正しません。
- B: 監視感度調整は検知の閾値変更で、根本原因のドリフトを修正する手段ではありません。
- D: Experiments tracking は学習試行の比較管理機能で、ドリフトそのものへの対処手段ではありません。
コメント