A FinSight LLC executa uma avaliação de viés de pré-treinamento com o SageMaker Clarify em um conjunto de dados de aprovação de empréstimos armazenado em um bucket S3 (s3://finsight-prod/data). O relatório de pré-treinamento do Clarify mostra Class Imbalance (CI) = 0,12 para o rótulo de destino (aceitável abaixo de 0,2) e Difference in Positive Proportions (DPP) para gênero (masculino vs. feminino) = 0,18 (excede o limite da política de 0,10). A equipe do modelo planeja retreinar em uma instância de treinamento ml.c5.4xlarge. Qual é a ação imediata mais apropriada para abordar esses resultados do Clarify antes do retreinamento?

A opção correta é criar um pipeline de pré-processamento para reamostragem ou reponderação. O SageMaker Clarify identificou um viés de pré-treinamento (DPP = 0,18) que excede a política (0,10) no conjunto de dados. Abordar esse viés antes do treinamento é crucial para evitar que o modelo aprenda e perpetue essa disparidade. Técnicas como reamostragem sensível ao grupo ou reponderação de amostras, implementadas via um trabalho do SageMaker Processing, modificam o conjunto de dados de treinamento para mitigar o viés. Ignorar o CI é aceitável, mas o DPP não é um resultado pós-treinamento; ele foi detectado no pré-treinamento. Remover a coluna de gênero pode reduzir o DPP direto, mas pode levar a um modelo menos preciso ou a um viés indireto se outras características estiverem correlacionadas com o gênero. Usar o Model Monitor após a implantação é uma abordagem reativa para viés em produção, não uma solução proativa para o viés de pré-treinamento detectado.