Ein Unternehmen stellt ein SageMaker-Modell bereit, das Themen in Social-Media-Beiträgen erkennt. Es muss gezeigt werden, wie einzelne Eingabemerkmale die Vorhersagen des Modells beeinflussen. Welche SageMaker-Funktion bietet Erklärungen auf Merkmalsebene für das Modellverhalten?

SageMaker Clarify ist die korrekte Antwort, da es speziell für die Erkennung von Verzerrungen (Bias) und die Bereitstellung von Modellerklärbarkeit entwickelt wurde. Es kann die Bedeutung einzelner Merkmale für die Vorhersagen eines Modells quantifizieren, was für das Verständnis des Modellverhaltens unerlässlich ist. SageMaker Canvas ist eine visuelle Schnittstelle für die Erstellung von ML-Modellen ohne Code und bietet keine Erklärbarkeit auf Merkmalsebene. SageMaker Feature Store ist ein zentralisiertes Repository für die Speicherung und Wiederverwendung von Merkmalen. SageMaker Ground Truth ist ein Datendienst für die Beschriftung von Trainingsdaten. Keines dieser Tools bietet die gewünschte Funktionalität zur Modellerklärbarkeit.