Inżynier ML optymalizuje model przewidujący zachowania klientów i musi zbadać dane wejściowe oraz przewidywania modelu, aby zidentyfikować wzorce, które mogą wpływać na wydajność w różnych grupach demograficznych. Które rozwiązanie zapewnia taką analizę?

SageMaker Clarify jest przeznaczony do wykrywania potencjalnych odchyleń (bias) w danych treningowych oraz do wyjaśniania przewidywań modelu. Pozwala to inżynierowi ML analizować dane wejściowe i wyjściowe modelu pod kątem wzorców, które mogą wpływać na wydajność w różnych grupach demograficznych, co jest kluczowe dla zapewnienia sprawiedliwości i dokładności. Monitorowanie metryk sieciowych i CPU za pomocą CloudWatch jest ważne dla optymalizacji zasobów, ale nie analizuje wzorców w danych ani przewidywaniach modelu. AWS Glue DataBrew służy do czyszczenia i normalizacji danych, ale nie koncentruje się na analizie odchyleń ani wyjaśnianiu modelu. Funkcje AWS Lambda do wstępnego przetwarzania danych zapewniają spójną jakość danych, ale nie oferują narzędzi do analizy wzorców i sprawiedliwości modelu.