Bank potrzebuje zbudować model AI SageMaker do decydowania o kwalifikowalności klienta do nowego produktu, używając algorytmów bezpośrednio obsługiwanych przez SageMaker. Model musi być wytłumaczalny dla organów regulacyjnych. Który wybór modelowania spełnia te wymagania?

Algorytm linear learner jest odpowiedni, ponieważ jest to model liniowy, który z natury jest łatwiejszy do interpretacji i wytłumaczenia, co jest kluczowe dla wymogów regulacyjnych dotyczących wytłumaczalności (explainability). Modele liniowe jasno pokazują wpływ każdej cechy wejściowej na wynik. Object2Vec i k-means to algorytmy do innych zastosowań (osadzanie danych i grupowanie), a nie do klasyfikacji kwalifikowalności. Sieci neuronowe są często bardzo dokładne, ale ich złożona, nieliniowa struktura sprawia, że są trudne do wytłumaczenia (tzw. "czarne skrzynki"), co nie spełnia wymogu wytłumaczalności dla organów regulacyjnych.