Ein Data Scientist muss ein Betrugserkennungsmodell entwickeln, das deutlich weniger Betrugsbeispiele als legitime enthält, muss vor der Finalisierung auf Bias prüfen und möchte schnell mit minimalem Betriebsaufwand vorgehen. Welche Option erfüllt diese Anforderungen am besten?

Die korrekte Option nutzt SMOTE (Synthetic Minority Over-sampling Technique) direkt in Amazon SageMaker Studio, was eine effiziente Handhabung des Klassenungleichgewichts in der Entwicklungsumgebung ermöglicht. SageMaker JumpStart ist ideal, um schnell mit vorgefertigten Modellen zu beginnen, was den Betriebsaufwand minimiert und die schnelle Entwicklung unterstützt. Amazon SageMaker Clarify ist das spezialisierte Tool zur Erkennung und Analyse von Bias in Datensätzen und Modellen, was die Anforderung zur Bias-Prüfung vor der Finalisierung erfüllt. Die anderen Optionen sind weniger optimal: Die Verwendung von Amazon EMR für SMOTE ist unnötig komplex und mit höherem Betriebsaufwand verbunden als die direkte Nutzung in SageMaker Studio. A2I ist für menschliche Überprüfung und nicht primär für die automatisierte Bias-Erkennung gedacht. Die zweite Option hat ähnliche Nachteile bezüglich EMR und A2I. Die vierte Option schlägt die Verwendung von Model Monitor vor, welches für die Überwachung von Modellen in Produktion gedacht ist, nicht für die Bias-Prüfung vor der Finalisierung.