Un ingegnere ML ha distribuito un modello di analisi del sentiment su un endpoint SageMaker e deve fornire agli stakeholder spiegazioni su come il modello effettua le previsioni. Quale soluzione produrrà spiegazioni per gli output del modello?

SageMaker Clarify è la soluzione corretta perché è progettato specificamente per fornire spiegazioni sull'output del modello (interpretabilità del modello) e per rilevare la distorsione (bias) nei dati e nei modelli ML. Permette agli ingegneri di comprendere come il modello prende le decisioni, il che è fondamentale per gli stakeholder. SageMaker Model Monitor è utilizzato per monitorare la qualità del modello in produzione, non per spiegare le previsioni. Mostrare le distribuzioni di inferenza in CloudWatch non fornisce spiegazioni sulle singole previsioni. Creare un endpoint shadow e confrontare le differenze non è il metodo standard per generare spiegazioni del modello.