Un ingénieur ML a déployé un modèle d'analyse de sentiments sur un endpoint SageMaker et doit fournir aux parties prenantes des explications sur la manière dont le modèle effectue ses prédictions. Quelle solution produira des explications pour les sorties du modèle ?

SageMaker Clarify est la solution correcte car il est spécifiquement conçu pour fournir une explicabilité des modèles (XAI), la détection de biais et l'analyse d'impact sur les caractéristiques pour les modèles déployés sur SageMaker. Il peut générer des explications sur la manière dont les caractéristiques d'entrée influencent les prédictions du modèle, ce qui est exactement ce que l'ingénieur ML doit fournir aux parties prenantes. SageMaker Model Monitor est utilisé pour détecter la dérive des données et la dérive du modèle, pas pour l'explicabilité. L'affichage des distributions de tests A/B dans CloudWatch permet de comparer les performances de différentes versions de modèles, mais ne fournit pas d'explications sur les prédictions individuelles. La création d'un endpoint "shadow" est une technique de test de déploiement pour évaluer un nouveau modèle en production sans affecter les utilisateurs, et non une méthode d'explicabilité.