Um banco precisa criar um modelo de IA do SageMaker para decidir a elegibilidade de clientes para um novo produto, usando algoritmos que o SageMaker suporta diretamente. O modelo deve ser explicável para os reguladores. Qual opção de modelagem satisfaz esses requisitos?

O algoritmo Linear Learner do SageMaker é uma excelente escolha porque é inerentemente interpretável. Modelos lineares permitem que você entenda diretamente a contribuição de cada recurso para a previsão, o que é crucial para a explicabilidade exigida por reguladores no setor bancário. Treinar o modelo usando o algoritmo Object2Vec não é adequado porque Object2Vec é usado para incorporar entidades em vetores densos, não para classificação ou regressão direta de elegibilidade de clientes, e os embeddings resultantes são menos interpretáveis. Treinar uma rede neural, embora poderoso, geralmente resulta em modelos "caixa preta" que são difíceis de explicar aos reguladores devido à sua complexidade. Treinar o modelo usando o algoritmo k-means é para agrupamento (clustering), não para classificação ou regressão, e não forneceria uma decisão direta de elegibilidade.