Ein ML-Ingenieur hat ein Stimmungsanalysemodell auf einem SageMaker-Endpunkt bereitgestellt und muss den Stakeholdern Erklärungen dazu liefern, wie das Modell Vorhersagen trifft. Welche Lösung liefert Erklärungen für die Ausgaben des Modells?

SageMaker Clarify ist die richtige Wahl, da es speziell für die Bereitstellung von Erklärbarkeit für ML-Modelle entwickelt wurde, einschließlich der Analyse von Feature-Attributionen, um zu verstehen, wie einzelne Features zu einer Vorhersage beitragen. Es kann direkt auf bereitgestellte Modelle angewendet werden, um Einblicke in deren Entscheidungsfindung zu geben. SageMaker Model Monitor dient der Überwachung der Modellleistung und Datenqualität im Laufe der Zeit, nicht der Erklärbarkeit einzelner Vorhersagen. Die Anzeige von Inferenz-Ergebnissen in CloudWatch oder der Vergleich von Shadow-Endpunkten kann zwar Unterschiede in den Vorhersagen aufzeigen, liefert aber keine Erklärungen dafür, warum ein Modell eine bestimmte Vorhersage trifft.