Firma świadcząca usługi finansowe chce zautomatyzować decyzje kredytowe za pomocą modelu ML. Każdy rekord zawiera historię kredytową od stron trzecich oraz dane demograficzne klienta. Każda prognoza musi zawierać wyjaśnienie, dlaczego wnioskodawca został zatwierdzony lub odrzucony. Korzystając z Amazon SageMaker, które rozwiązanie zapewnia tę funkcjonalność przy najmniejszym wysiłku rozwojowym?

SageMaker Clarify jest przeznaczony do wykrywania odchyleń i wyjaśniania modeli uczenia maszynowego, co czyni go idealnym narzędziem do generowania raportów z wyjaśnieniami dla decyzji kredytowych. Umożliwia zrozumienie, które cechy najbardziej wpływają na prognozy modelu, co jest kluczowe dla uzasadnienia zatwierdzenia lub odrzucenia wniosku. SageMaker Clarify integruje się bezpośrednio z SageMaker, minimalizując wysiłek rozwojowy. SageMaker Model Debugger służy do monitorowania i debugowania procesów szkolenia modeli, a nie do generowania wyjaśnień prognoz. AWS Lambda może być użyta do obliczeń, ale wymagałaby znacznie większego wysiłku w celu zaimplementowania logiki wyjaśniania od podstaw. Niestandardowe metryki CloudWatch są przeznaczone do monitorowania wydajności aplikacji i zasobów, a nie do generowania wyjaśnień modeli ML.