某銀行微調了一個大型語言模型，以加速貸款審批。外部稽核發現該模型對某一人群的貸款審批速度比其他人群更快。請問，最符合成本效益的解決方案是什麼？

正確答案是納入更多樣化的訓練資料並再次微調模型。模型偏見通常源於訓練資料的不足或不平衡，導致模型在特定群體上表現出差異。透過增加更多樣化的資料來重新微調模型，可以直接解決資料偏見問題，是成本效益最高的解決方案，因為它利用了現有模型並修正了根本原因。 將RAG與微調模型結合使用，主要是為了提高模型的知識廣度和準確性，而非直接解決模型偏見。AWS Trusted Advisor 檢查主要針對資源配置、安全性、效能等，無法直接消除模型內的演算法偏見。預先訓練一個新的LLM成本高昂且耗時，且不能保證新模型不會出現類似偏見，除非從一開始就使用多樣化的資料集。