Un banco implementó un clasificador XGBoost en SageMaker para decidir qué clientes califican para una promoción de crédito con tasa baja. La precisión del modelo es aceptable, pero el equipo debe explicar por qué se denegó a clientes específicos. ¿Cuál es la forma más eficiente operativamente de producir explicaciones por cliente?

La opción correcta es ejecutar un trabajo de explicabilidad con SageMaker Clarify. Clarify está diseñado específicamente para la explicabilidad de modelos y puede calcular valores SHAP (Shapley Additive Explanations) de manera eficiente para predicciones individuales, proporcionando explicaciones claras de las contribuciones de las características. Utilizar los datos de entrenamiento como línea base es una práctica común para SHAP. Las otras opciones son menos eficientes o inapropiadas: plotimportance() de XGBoost muestra la importancia global de las características, no las explicaciones individuales por cliente. SageMaker Debugger se enfoca en el entrenamiento y la depuración del modelo, no en la explicabilidad post-entrenamiento para clientes individuales. SageMaker Model Monitor se utiliza para monitorear el rendimiento del modelo en producción y la deriva de datos, no para generar explicaciones de predicciones individuales.