Un ingeniero de ML está optimizando un modelo que predice el comportamiento del cliente y necesita inspeccionar los datos de entrada y las predicciones del modelo para identificar patrones que puedan sesgar el rendimiento entre datos demográficos. ¿Qué solución proporciona este análisis?

SageMaker Clarify es la herramienta adecuada porque está diseñada específicamente para detectar sesgos en los datos de entrenamiento y en las predicciones del modelo, así como para proporcionar explicabilidad. Esto permite al ingeniero identificar patrones que afectan la equidad y el rendimiento entre diferentes datos demográficos. Las otras opciones no abordan directamente la detección de sesgos o la inspección de patrones en los datos para la equidad. Amazon CloudWatch monitorea recursos, no sesgos en los datos. AWS Glue DataBrew se enfoca en la limpieza y transformación de datos, no en el análisis de sesgos con respecto a la equidad. Las funciones de AWS Lambda automatizan tareas, pero no realizan el análisis de sesgos necesario para este escenario.