Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
SageMaker Klären Sie die Erklärbarkeit mit AI Autopilot SageMaker
Autopilot verwendet von Amazon SageMaker Clarify bereitgestellte Tools, um Einblicke in die Art und Weise zu geben, wie Modelle für maschinelles Lernen (ML) Vorhersagen treffen. Diese Tools können ML-Ingenieuren, Produktmanagern und anderen internen Stakeholdern helfen, Modellmerkmale zu verstehen. Um Entscheidungen, die auf Modellprognosen basieren, vertrauen und interpretieren zu können, sind sowohl Verbraucher als auch Regulierungsbehörden auf Transparenz im Bereich von Machine Learning angewiesen.
Die Erklärungsfunktion des Autopiloten verwendet einen modellunabhängigen Ansatz zur Zuordnung von Merkmalen. Dieser Ansatz bestimmt den Beitrag einzelner Merkmale oder Eingaben zur Ausgabe des Modells und bietet so Einblicke in die Relevanz verschiedener Merkmale. Sie können ihn verwenden, um zu verstehen, warum ein Modell nach dem Training eine Vorhersage getroffen hat, oder Sie können ihn verwenden, um während der Inferenz eine Erklärung pro Instance zu liefern. Die Implementierung beinhaltet eine skalierbare Implementierung von SHAP
Sie können diese SHAP-Erklärungen verwenden, um regulatorische Anforderungen zu prüfen und zu erfüllen, Vertrauen in das Modell aufzubauen, menschliche Entscheidungen zu unterstützen oder die Modellleistung zu debuggen und zu verbessern.
Weitere Informationen zu Shapely-Werten und -Baselines finden Sie unter SHAP-Baselines für Erklärbarkeit.
Eine Anleitung zur Amazon SageMaker Clarifesty-Dokumentation finden Sie unter Leitfaden zur SageMaker Clarify-Dokumentation.
