Une banque doit créer un modèle SageMaker AI pour déterminer l'éligibilité des clients à un nouveau produit en utilisant des algorithmes directement pris en charge par SageMaker. Le modèle doit être explicable aux régulateurs. Quel choix de modélisation satisfait ces exigences ?

L'algorithme Linear Learner est un choix approprié car il est intrinsèquement explicable. Les modèles linéaires permettent de comprendre facilement l'impact de chaque caractéristique sur la prédiction finale, ce qui est crucial pour satisfaire les exigences des régulateurs en matière d'explicabilité. De plus, Linear Learner est un algorithme intégré à SageMaker, répondant à l'exigence d'utilisation d'algorithmes directement pris en charge. En revanche, Object2Vec et les réseaux neuronaux sont des modèles plus complexes, souvent considérés comme des « boîtes noires », rendant leur explicabilité difficile pour les régulateurs. L'algorithme k-means est un algorithme de clustering non supervisé, inadapté à une tâche de classification ou de régression visant à déterminer l'éligibilité des clients.