Een financiële dienstverlener wil leningbeslissingen automatiseren met behulp van een ML-model. Elk record bevat kredietgeschiedenis van derden en demografische gegevens van klanten. Elke voorspelling moet een verklaring bevatten die aangeeft waarom de aanvrager is goedgekeurd of afgewezen. Welke oplossing biedt deze functionaliteit met de minste ontwikkelingsinspanning, gebruikmakend van Amazon SageMaker?

SageMaker Clarify is de juiste keuze omdat het specifiek is ontworpen voor het detecteren van bias en het bieden van modelverklaarbaarheid (explainability) voor machine learning-modellen. Het kan feature-attributie genereren, zoals SHAP-waarden, die direct kunnen worden gebruikt om uit te leggen waarom een specifieke leningaanvraag is goedgekeurd of afgewezen, met minimale ontwikkelingsinspanning. SageMaker Model Debugger richt zich op het debuggen van trainingsproblemen, niet op runtime-verklaarbaarheid van voorspellingen. AWS Lambda kan worden gebruikt voor het berekenen van feature importances, maar dit vereist aanzienlijke ontwikkelingsinspanning om een robuuste verklaarbaarheidsoplossing te bouwen die vergelijkbaar is met Clarify. Aangepaste Amazon CloudWatch metrics zijn bedoeld voor monitoring en logging, niet voor het genereren van gedetailleerde modelverklaringen.