Una banca deve creare un modello AI SageMaker per decidere l'idoneità dei clienti a un nuovo prodotto utilizzando algoritmi che SageMaker supporta direttamente. Il modello deve essere spiegabile alle autorità di regolamentazione. Quale scelta di modellazione soddisfa questi requisiti?

L'algoritmo Amazon SageMaker Linear Learner è una scelta eccellente perché è intrinsecamente interpretabile. I modelli lineari sono facili da comprendere e spiegare, il che è fondamentale per soddisfare i requisiti normativi di spiegabilità. Inoltre, Linear Learner è un algoritmo supervisionato supportato direttamente da SageMaker, adatto per problemi di classificazione o regressione come la determinazione dell'idoneità dei clienti. Le reti neurali, sebbene potenti, sono spesso considerate "scatole nere" e sono difficili da spiegare in modo trasparente alle autorità di regolamentazione. L'algoritmo Object2Vec è progettato per incorporamenti di entità e non è la scelta più diretta per la classificazione dell'idoneità. L'algoritmo k-means è un algoritmo di clustering non supervisionato e non è adatto per un problema di classificazione supervisionata come la determinazione dell'idoneità.