Une entreprise de services financiers souhaite automatiser les décisions de prêt à l'aide d'un modèle de ML. Chaque enregistrement comprend l'historique de crédit d'un tiers et les données démographiques du client. Chaque prédiction doit inclure une explication montrant pourquoi le demandeur a été approuvé ou refusé. En utilisant Amazon SageMaker, quelle solution offre cette fonctionnalité avec le moins d'effort de développement ?

SageMaker Clarify est la solution la plus efficace car il est conçu spécifiquement pour détecter les biais potentiels dans les modèles de ML et fournir des explications sur les prédictions. Il peut générer des rapports d'explication des prédictions, ce qui répond directement à l'exigence de la question avec un minimum d'effort de développement. SageMaker Model Debugger est utilisé pour déboguer les modèles pendant l'entraînement, pas pour expliquer les prédictions après l'inférence. AWS Lambda pourrait être utilisé pour calculer l'importance des caractéristiques, mais cela nécessiterait un développement personnalisé significatif pour créer un rapport d'explication complet, ce qui va à l'encontre de l'exigence de "moins d'effort de développement". Les métriques Amazon CloudWatch sont destinées à la surveillance des performances et de l'utilisation, et non à la génération d'explications de prédiction.