Un profesional de ML quiere ofrecer a las partes interesadas transparencia y explicaciones sobre cómo un modelo realiza predicciones. ¿Cuál de las siguientes opciones proporciona mejor esa explicabilidad?

Los valores Shapley son una técnica de explicabilidad del modelo que asigna un valor de importancia a cada característica para una predicción individual. Esto ayuda a comprender cómo cada característica contribuye a la salida del modelo, proporcionando transparencia a las partes interesadas. La precisión y la matriz de confusión son métricas de rendimiento que evalúan qué tan bien funciona el modelo en general, pero no explican por qué se hizo una predicción específica. Un endpoint de inferencia seguro es una forma de desplegar el modelo, no una técnica de explicabilidad.