Uno scienziato dei dati deve creare un modello di rilevamento delle frodi con un numero di esempi di frode molto inferiore rispetto a quelli legittimi, deve verificare la presenza di bias prima di finalizzare e vuole procedere rapidamente con un overhead operativo minimo. Quale opzione soddisfa al meglio questi requisiti?

L'opzione corretta è la migliore perché affronta tutti i requisiti in modo efficiente. SMOTE (Synthetic Minority Over-sampling Technique) è un metodo efficace per gestire lo squilibrio di classe, e la sua implementazione in SageMaker Studio è diretta. SageMaker JumpStart consente una prototipazione rapida e la distribuzione di modelli pre-addestrati o personalizzati, riducendo l'overhead operativo. Infine, SageMaker Clarify è lo strumento specifico di AWS per rilevare e mitigare il bias nei modelli di machine learning, soddisfacendo il requisito di verifica del bias prima della finalizzazione. Le opzioni errate presentano delle inefficienze o strumenti meno adatti: Le prime due opzioni propongono l'uso di Amazon EMR per SMOTE, che è un approccio più complesso e con maggiore overhead rispetto all'esecuzione diretta in SageMaker Studio. Inoltre, l'uso di Amazon A2I per il bias è meno appropriato; A2I è progettato per la revisione umana dei risultati del modello, non per l'analisi del bias algoritmico. L'ultima opzione suggerisce SageMaker Model Monitor per il bias, ma Model Monitor è principalmente per il monitoraggio della deriva dei dati e delle prestazioni del modello in produzione, non per l'analisi del bias pre-implementazione.