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.
Verwenden Sie SageMaker Clarify Explainability mit SageMaker Autopilot
Autopilot verwendet Tools von Amazon SageMaker Clarify, um Einblicke in die ML-Modelle (Machine Learning) zu geben und Vorhersagen zu treffen. Diese Tools können ML-Ingenieuren, Produktmanagern und anderen internen Stakeholdern helfen, Modellmerkmale zu verstehen. Um Entscheidungen zu Modellvorhersagen zu vertrauen und zu interpretieren, verlassen sich sowohl Verbraucher als auch regulatorische Stellen der Reihe nach auf Transparenz beim Machine Learning.
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 der Schulung eine Vorhersage getroffen hat, oder Sie können ihn verwenden, um während der Inferenz eine Erklärung pro Instanz zu liefern. Die Implementierung umfasst eine skalierbare Implementierung von SHAP
Sie können SHAP-erklärungen für Folgendes verwenden: Prüfung und Erfüllung gesetzlicher Anforderungen, Aufbau von Vertrauen in das Modell, Unterstützung menschlicher Entscheidungen oder Debugging und Verbesserung der Modellleistung.
Weitere Informationen zu Shapely-Werten und -Baselines finden Sie unter SHAP Baselines für Erklärbarkeit.
Eine Anleitung zur Amazon SageMaker Clarify-Dokumentation finden Sie unter Leitfaden zur SageMaker Clarify-Dokumentation.
