금융 서비스 회사가 ML 모델을 사용하여 대출 결정을 자동화하려고 합니다. 각 기록에는 타사 신용 기록과 고객 인구 통계가 포함됩니다. 모든 예측에는 신청자가 승인되거나 거부된 이유를 보여주는 설명이 포함되어야 합니다. Amazon SageMaker를 사용하여 개발 노력이 가장 적게 드는 솔루션은 무엇입니까?

SageMaker Clarify는 기계 학습 모델의 편향을 감지하고 설명 가능성을 제공하도록 설계된 SageMaker의 기능입니다. 이 시나리오에서는 모델 예측에 대한 설명을 생성하는 데 가장 적합한 도구입니다. Clarify는 SHAP(SHapley Additive exPlanations)와 같은 널리 사용되는 설명 가능성 기술을 지원하여 개별 예측에 대한 특성 기여도를 이해하고 설명 보고서를 생성할 수 있습니다. SageMaker Model Debugger는 모델 훈련 중 문제를 식별하는 데 사용되며 설명 가능성 보고서 생성에는 적합하지 않습니다. AWS Lambda는 서버리스 컴퓨팅 서비스이며, 특성 중요도 및 부분 의존성 플롯을 계산하는 데 사용할 수 있지만, 이는 수동적인 구현이며 SageMaker Clarify가 제공하는 통합된 솔루션에 비해 개발 노력이 더 많이 듭니다. 사용자 지정 Amazon CloudWatch 지표는 모델 성능을 모니터링하는 데 사용되며 설명 가능성 보고서 생성과는 관련이 없습니다.