Una empresa de servicios financieros desea automatizar las decisiones de préstamos utilizando un modelo de ML. Cada registro incluye el historial crediticio de terceros y los datos demográficos del cliente. Cada predicción debe incluir una explicación que muestre por qué se aprobó o denegó al solicitante. Utilizando Amazon SageMaker, ¿qué solución proporciona esta funcionalidad con el menor esfuerzo de desarrollo?

SageMaker Clarify está diseñado específicamente para ayudar a los desarrolladores de ML a comprender mejor sus modelos, incluyendo la generación de explicaciones de predicciones. Puede producir explicaciones de características (feature attributions) que muestran la importancia de cada característica en una predicción individual, lo cual es ideal para el requisito de la empresa de servicios financieros. Esto se logra con el menor esfuerzo de desarrollo porque Clarify se integra directamente con SageMaker y ofrece funcionalidades preconstruidas para la explicabilidad. SageMaker Model Debugger se centra en la depuración de modelos durante el entrenamiento, no en la explicabilidad de las predicciones en producción. AWS Lambda podría usarse, pero requeriría un desarrollo personalizado significativo para implementar algoritmos de explicabilidad y generar informes. Las métricas personalizadas de Amazon CloudWatch son para monitorear el rendimiento del modelo y la infraestructura, no para generar explicaciones de predicciones.