Een data scientist moet een fraudedetectiemodel bouwen met veel minder fraudegevallen dan legitieme gevallen, moet controleren op bias voordat het model wordt gefinaliseerd, en wil snel te werk gaan met minimale operationele overhead. Welke optie voldoet het beste aan deze vereisten?

Deze optie voldoet het beste aan alle vereisten. SMOTE (Synthetic Minority Over-sampling Technique) in SageMaker Studio is een efficiënte manier om klasse-onbalans aan te pakken. SageMaker JumpStart biedt een snelle start met vooraf getrainde modellen en notebooks, wat de ontwikkelingssnelheid verhoogt en operationele overhead minimaliseert. Amazon SageMaker Clarify is specifiek ontworpen voor het detecteren en metigeren van bias in machine learning-modellen, wat cruciaal is voor de vereiste bias-controle. De andere opties zijn minder optimaal: Het gebruik van Amazon EMR voor SMOTE voegt onnodige operationele overhead toe. Amazon Augmented AI (A2I) is bedoeld voor menselijke review van modelvoorspellingen, niet voor geautomatiseerde bias-detectie vóór finalisatie. Amazon SageMaker Model Monitor is gericht op het monitoren van modelprestaties en drift na implementatie, niet op bias-evaluatie vóór finalisatie.