FinSight LLC ejecuta una evaluación de sesgo de preentrenamiento con SageMaker Clarify en un conjunto de datos de aprobación de préstamos almacenado en un bucket S3 (s3://finsight-prod/data). El informe de preentrenamiento de Clarify muestra un desequilibrio de clases (CI) = 0.12 para la etiqueta objetivo (aceptable por debajo de 0.2) y una diferencia en las proporciones positivas (DPP) para el género (masculino vs. femenino) = 0.18 (excede el umbral de política de 0.10). El equipo del modelo planea reentrenar en una instancia de entrenamiento ml.c5.4xlarge. ¿Cuál es la acción inmediata más apropiada para abordar estos resultados de Clarify antes del reentrenamiento?

La opción correcta aborda directamente el sesgo de preentrenamiento identificado en el DPP. Un DPP de 0.18 excede el umbral de política de 0.10, lo que indica un sesgo significativo entre géneros en el conjunto de datos de entrenamiento. Implementar un remuestreo consciente del grupo o una reponderación de muestras mediante un trabajo de SageMaker Processing es una técnica eficaz para mitigar este sesgo antes del entrenamiento del modelo, asegurando que el modelo aprenda de un conjunto de datos más equitativo. Ignorar el CI es correcto, pero posponer la corrección del DPP al post-entrenamiento no es la acción más inmediata ni proactiva para un sesgo de preentrenamiento. Eliminar la columna de género puede reducir el DPP directo, pero podría introducir sesgos indirectos o afectar la equidad si el género está correlacionado con otras características. Usar SageMaker Model Monitor es para sesgos de inferencia o desviación de datos después de la implementación, no para corregir un sesgo de preentrenamiento.