Un banco necesita construir un modelo de IA de SageMaker para decidir la elegibilidad de los clientes para un nuevo producto utilizando algoritmos que SageMaker soporta directamente. El modelo debe ser explicable para los reguladores. ¿Qué opción de modelado satisface estos requisitos?

El algoritmo Linear Learner de SageMaker es la opción correcta porque es un algoritmo supervisado que puede manejar problemas de clasificación y regresión, lo que lo hace adecuado para determinar la elegibilidad de los clientes. Crucialmente, los modelos lineales son inherentemente interpretables y explicables, lo cual es un requisito clave para los reguladores. Object2Vec es un algoritmo de incrustación que no se utiliza directamente para la clasificación de elegibilidad. Entrenar una red neuronal puede ser muy eficaz, pero las redes neuronales profundas son a menudo "cajas negras" y carecen de la explicabilidad necesaria para la regulación. K-means es un algoritmo de agrupamiento no supervisado, no apto para la clasificación de elegibilidad.