Un'azienda di servizi finanziari desidera automatizzare le decisioni sui prestiti utilizzando un modello di ML. Ogni record include la cronologia creditizia di terze parti e i dati demografici del cliente. Ogni previsione deve includere una spiegazione che mostri il motivo per cui il richiedente è stato approvato o negato. Utilizzando Amazon SageMaker, quale soluzione fornisce questa funzionalità con il minor sforzo di sviluppo?

SageMaker Clarify è la soluzione più efficiente perché è progettato specificamente per la spiegabilità dei modelli (XAI), inclusa la generazione di spiegazioni sulle previsioni utilizzando metodi come SHAP o LIME. Integra facilmente con i flussi di lavoro di SageMaker, riducendo lo sforzo di sviluppo. SageMaker Model Debugger si concentra sul debugging di problemi di addestramento, non sulla spiegazione delle previsioni. L'uso di AWS Lambda per calcolare l'importanza delle feature e i partial-dependence plot richiederebbe uno sforzo di sviluppo significativo per implementare gli algoritmi XAI e generare report. Le metriche personalizzate di Amazon CloudWatch sono per il monitoraggio delle prestazioni, non per la generazione di spiegazioni sulle decisioni del modello.