一家银行对大型语言模型进行了微调，以加快贷款审批速度。外部审计发现，该模型对某个特定人群的贷款审批速度快于其他人群。最经济高效的解决方案是什么？

最经济高效的解决方案是纳入更多样化的训练数据并用新数据再次微调模型。模型偏见通常源于训练数据中固有的偏见，因此通过增加代表性不足群体的多样化数据来纠正数据是解决问题的根本方法。重新微调比从头开始预训练新模型成本更低、效率更高，因为它可以利用现有模型的知识。将检索增强生成（RAG）与微调模型结合使用主要用于提高事实准确性和减少幻觉，而不是直接解决模型偏见。AWS Trusted Advisor 检查主要关注成本优化、性能、安全性和容错能力，不直接用于消除模型中的算法偏见。使用更多样化的训练数据预训练一个新的 LLM 成本和时间投入巨大，远不如在现有模型上进行微调经济高效。