Um engenheiro de ML está otimizando um modelo que prevê o comportamento do cliente e precisa inspecionar os dados de entrada e as previsões do modelo para identificar padrões que possam enviesar o desempenho entre dados demográficos. Qual solução fornece essa análise?

A resposta correta é usar o SageMaker Clarify para analisar os dados de treinamento e as saídas do modelo em busca de padrões que possam afetar a precisão e a imparcialidade. O SageMaker Clarify é projetado especificamente para detectar vieses em dados e modelos de ML, além de explicar as previsões do modelo. Ele pode analisar dados de entrada e saídas do modelo para identificar vieses demográficos, o que se alinha diretamente com a necessidade de inspecionar dados e previsões para identificar padrões que possam enviesar o desempenho entre dados demográficos. As outras opções estão incorretas porque: Usar o Amazon CloudWatch para monitorar métricas de rede e CPU é para otimização de recursos e desempenho da infraestrutura, não para análise de viés ou imparcialidade do modelo. Criar receitas do AWS Glue DataBrew para corrigir os dados usando estatísticas da saída do modelo é uma ferramenta de preparação de dados, mas não oferece a análise de viés e explicabilidade que o SageMaker Clarify proporciona. Criar funções AWS Lambda para automatizar o pré-processamento de dados e garantir a qualidade consistente da entrada é uma solução para automação e qualidade de dados, mas não para a detecção de viés ou análise de imparcialidade do modelo.