FinSight LLC는 S3 버킷(s3://finsight-prod/data)에 저장된 대출 승인 데이터셋에 대해 SageMaker Clarify를 사용하여 사전 훈련 편향 평가를 실행합니다. Clarify 사전 훈련 보고서에 따르면 대상 레이블에 대한 Class Imbalance(CI)는 0.12(허용 기준 0.2 미만)이고, 성별(남성 대 여성)에 대한 Difference in Positive Proportions(DPP)는 0.18(정책 임계값 0.10 초과)입니다. 모델 팀은 ml.c5.4xlarge 훈련 인스턴스에서 재훈련할 계획입니다. 재훈련 전에 이러한 Clarify 결과를 해결하기 위한 가장 적절한 즉각적인 조치는 무엇입니까?

DPP(Difference in Positive Proportions)는 긍정적인 결과의 비율이 그룹 간에 얼마나 다른지 측정하는 사전 훈련 편향 지표입니다. 0.18이라는 값은 허용 임계값인 0.10을 초과하므로, 모델 훈련 전에 편향을 줄이기 위한 조치가 필요합니다. 그룹 인식 재샘플링 또는 샘플 재가중치는 훈련 데이터셋의 편향을 직접적으로 수정하여 성별 그룹 간의 불균형을 줄이는 효과적인 전처리 기술입니다. SageMaker Processing job은 이러한 전처리 파이프라인을 효율적으로 실행할 수 있는 방법입니다. 오답 설명: CI는 정책 범위 내에 있지만, DPP는 정책 임계값을 초과했으므로 무시하고 훈련을 진행하는 것은 올바르지 않습니다. DPP는 사전 훈련 편향이며, 훈련 후 사후 임계값 설정으로 해결하기 어렵습니다. 성별 열을 제거하는 것은 민감한 속성을 제거하는 방법이지만, 다른 속성을 통해 간접적으로 성별 편향이 학습될 수 있으며, 중요한 정보를 잃을 수 있습니다. SageMaker Model Monitor는 배포 후 모델의 드리프트를 감지하는 데 사용되며, 사전 훈련 편향을 해결하는 즉각적인 조치가 아닙니다. 현재 문제는 훈련 데이터셋의 사전 훈련 편향입니다.