FinSight LLC führt eine Voreingenommenheitsbewertung vor dem Training mit SageMaker Clarify für einen Kreditgenehmigungsdatensatz durch, der in einem S3-Bucket (s3://finsight-prod/data) gespeichert ist. Der Clarify-Bericht vor dem Training zeigt einen Class Imbalance (CI) = 0,12 für das Ziellabel (akzeptabel unter 0,2) und einen Difference in Positive Proportions (DPP) für das Geschlecht (männlich vs. weiblich) = 0,18 (überschreitet den Richtlinienschwellenwert von 0,10). Das Modellteam plant, auf einer ml.c5.4xlarge Trainingsinstanz neu zu trainieren. Was ist die am besten geeignete sofortige Maßnahme, um diese Clarify-Ergebnisse vor dem erneuten Training zu beheben?

Die Korrektur des Difference in Positive Proportions (DPP) vor dem Training ist entscheidend, um Fairness zu gewährleisten. Eine Vorverarbeitungs-Pipeline mit gruppenbewusstem Resampling oder Stichprobenneugewichtung, implementiert über einen SageMaker Processing Job, ist die effektivste Methode, um die Ungleichheit zwischen Geschlechtergruppen zu reduzieren, bevor das Modell neu trainiert wird. Die Option, den CI zu ignorieren und den DPP nach dem Training zu beheben, ist ineffizient, da Vorurteile im Modell verankert werden könnten. Das Entfernen der Geschlechtsspalte ist keine gute Lösung, da andere Merkmale indirekt Geschlechtsinformationen enthalten und so die Voreingenommenheit aufrechterhalten könnten. Die Verwendung von SageMaker Model Monitor ist eine Maßnahme nach der Bereitstellung und behebt nicht die Voreingenommenheit im Trainingsdatensatz selbst.