Ein Finanzdienstleistungsunternehmen möchte Kreditentscheidungen mithilfe eines ML-Modells automatisieren. Jeder Datensatz enthält die Kredithistorie von Drittanbietern und Kundendemografien. Jede Vorhersage muss eine Erklärung enthalten, aus der hervorgeht, warum der Antragsteller genehmigt oder abgelehnt wurde. Welche Lösung bietet diese Funktionalität mit dem geringsten Entwicklungsaufwand unter Verwendung von Amazon SageMaker?

SageMaker Clarify ist die korrekte Lösung, da es speziell für die Bereitstellung von Modelltransparenz und Erklärbarkeit entwickelt wurde. Es kann Feature-Attributionen (z. B. SHAP-Werte) berechnen, die erklären, warum ein Modell eine bestimmte Vorhersage getroffen hat, und diese Erklärungen direkt an die Vorhersageergebnisse anhängen. Dies erfordert den geringsten Entwicklungsaufwand, da Clarify diese Funktionalität nativ bietet. SageMaker Model Debugger dient der Analyse von Trainingsproblemen und nicht der Erklärung von Vorhersagen. AWS Lambda könnte zwar zur Berechnung von Erklärungen verwendet werden, erfordert aber einen erheblichen Entwicklungsaufwand für die Implementierung der Logik. Benutzerdefinierte Amazon CloudWatch-Metriken sind für die Überwachung von Modellleistungen gedacht und bieten keine Funktionen zur Generierung von Erklärungsberichten.