Um banco usou o XGBoost treinado com 7 anos de dados de transações para construir um modelo de elegibilidade de crédito. O modelo é preciso, mas a equipe de crédito (com pouca experiência em ciência de dados) não consegue entender por que alguns clientes são negados. Qual é a maneira mais operacionalmente eficiente para a equipe de ciência de dados fornecer explicações à equipe de crédito?

A opção correta é a mais operacionalmente eficiente porque o Amazon SageMaker Debugger pode ser configurado para calcular e coletar valores de Shapley durante o treinamento. Isso automatiza a geração de dados para explicabilidade, que podem ser usados para criar gráficos SHAP, fornecendo insights claros sobre a influência das características nas previsões do modelo para a equipe de crédito. As outras opções são menos eficientes ou fornecem insights insuficientes: Retreinar e depois usar o Model Monitor para capturar inferências e calcular Shapley posteriormente é um processo mais manual e demorado para a explicabilidade. Usar plotimportance() do XGBoost fornece apenas a importância geral das características, não a contribuição individual de cada característica para uma previsão específica, o que é crucial para entender por que clientes específicos são negados. Usar SageMaker Processing para pós-análise e um gráfico de importância de características é semelhante à opção anterior; fornece apenas importância geral, não explicabilidade por instância, e adiciona uma etapa de processamento separada.