Een bank moet een SageMaker AI-model bouwen om de geschiktheid van klanten voor een nieuw product te bepalen, gebruikmakend van algoritmen die SageMaker direct ondersteunt. Het model moet uitlegbaar zijn aan toezichthouders. Welke modelleringskeuze voldoet aan deze vereisten?

Het linear learner-algoritme is een uitstekende keuze omdat het van nature interpreteerbaar is. Lineaire modellen, zoals logistische regressie (een vorm van linear learner), maken het eenvoudig om de invloed van elke invoerfunctie op de voorspelling te begrijpen, wat cruciaal is voor uitlegbaarheid aan toezichthouders in de financiële sector. Object2Vec is ontworpen voor het leren van embeddings en is niet direct geschikt voor binaire classificatie van klantgeschiktheid. Neurale netwerken zijn krachtig, maar staan bekend als 'black box'-modellen, waardoor ze moeilijk uit te leggen zijn aan toezichthouders. Het k-means-algoritme is een unsupervised learning-methode voor clustering, niet voor het voorspellen van klantgeschiktheid (een supervised classificatietaak).