Ein ML-Ingenieur optimiert ein Modell, das das Kundenverhalten vorhersagt, und muss Eingabedaten und Modellvorhersagen überprüfen, um Muster zu identifizieren, die die Leistung über verschiedene demografische Gruppen hinweg verzerren könnten. Welche Lösung bietet diese Analyse?

SageMaker Clarify ist die korrekte Lösung, da es speziell für die Erkennung potenzieller Verzerrungen in Trainingsdaten und Modellausgaben entwickelt wurde. Es analysiert Fairness-Metriken und erklärt Modellvorhersagen, was für die Identifizierung von Mustern, die die Leistung über demografische Gruppen hinweg verzerren könnten, unerlässlich ist. Amazon CloudWatch überwacht Infrastrukturmetriken, nicht Modellverzerrungen. AWS Glue DataBrew hilft bei der Datenbereinigung und -transformation, bietet aber keine spezifische Analyse von Modellverzerrungen oder Fairness. AWS Lambda-Funktionen automatisieren die Datenvorverarbeitung, was zwar wichtig für die Datenqualität ist, aber nicht direkt die Analyse von Verzerrungen in Modellvorhersagen ermöglicht.