Uma empresa de serviços financeiros deseja automatizar decisões de empréstimo usando um modelo de ML. Cada registro inclui histórico de crédito de terceiros e dados demográficos do cliente. Cada previsão deve incluir uma explicação mostrando por que o solicitante foi aprovado ou negado. Usando o Amazon SageMaker, qual solução oferece essa funcionalidade com o menor esforço de desenvolvimento?

A opção correta é usar o SageMaker Clarify porque ele é projetado especificamente para fornecer explicabilidade de modelos de ML, incluindo a geração de relatórios de explicação para previsões. Ele suporta métodos como SHAP e LIME, que são ideais para entender a contribuição de cada recurso na decisão do modelo, o que atende diretamente ao requisito de explicar por que um solicitante foi aprovado ou negado com o menor esforço de desenvolvimento. O SageMaker Model Debugger é focado na depuração de modelos durante o treinamento, não na explicabilidade de previsões pós-treinamento. O AWS Lambda poderia ser usado para calcular a importância dos recursos, mas exigiria um esforço de desenvolvimento significativo para implementar os algoritmos de explicabilidade e gerar os relatórios. As métricas personalizadas do Amazon CloudWatch são para monitoramento de desempenho e não fornecem funcionalidade para gerar relatórios de explicabilidade de previsões.