FinSight LLC 使用 SageMaker Clarify 对存储在 S3 存储桶 (s3://finsight-prod/data) 中的贷款审批数据集运行预训练偏差评估。Clarify 预训练报告显示，目标标签的类别不平衡 (CI) = 0.12（可接受范围低于 0.2），性别（男性与女性）的积极比例差异 (DPP) = 0.18（超出策略阈值 0.10）。模型团队计划在 ml.c5.4xlarge 训练实例上重新训练。在重新训练之前，解决这些 Clarify 结果最合适的即时措施是什么？

SageMaker Clarify 报告显示性别（男性与女性）的积极比例差异 (DPP) 为 0.18，超出了策略阈值 0.10，表明存在预训练偏差。解决此问题的最直接方法是在训练前对数据进行预处理。通过创建一个预处理管道，使用 SageMaker Processing 作业在 S3 上进行组感知重采样或样本重新加权，可以减少不同性别组之间的 DPP，从而在重新训练模型时减轻偏差。 忽略 CI 并将 DPP 视为训练后结果不正确，因为 DPP 已经超出预训练阈值，需要在训练前解决。删除性别列可能无法完全消除偏差，因为其他特征可能与性别相关联，导致间接偏差。部署后使用 SageMaker Model Monitor 检测 DPP 漂移是模型部署后的监控措施，不能解决预训练数据中已存在的偏差。