AIF責任あるAIのガイドライン
データサイエンスチームが顧客解約予測モデルを開発しました。ステークホルダーから、モデル全体でどの特徴量が予測に寄与しているか、また個々の予測に対する各特徴量の貢献度を、ゲーム理論に基づく一貫した手法で算出して説明可能性を高めたいと要望が出ています。最も適切な手法・サービスはどれですか。
AAmazon SageMaker Clarify を用いてSHAP値による特徴量の寄与度を算出する
✓ 正解
ゲーム理論に基づくSHAP値を用いて、グローバルな特徴量重要度と個々の予測へのローカルな寄与度を一貫した方法で算出できる。説明可能性（XAI）を高める要件に合致するため適切である。
BAmazon SageMaker Autopilot を用いてモデルを自動的に再トレーニングする
モデルの自動構築・再トレーニングを行う機能であり、各特徴量が予測にどう寄与したかを説明する手法ではないため、説明可能性を高める要件には対応できない。
CAmazon SageMaker Data Wrangler を用いてデータの欠損値を補完する
欠損値補完など特徴量のデータ前処理を行うツールであり、予測結果に対する特徴量の貢献度を算出して説明する機能は持たないため要件を満たさない。
DAmazon SageMaker Model Monitor を用いてモデル品質の劣化を検知する
本番モデルのデータドリフトや品質劣化を監視する機能であり、特徴量ごとの予測への寄与度を一貫した手法で算出する用途には対応しないため不適切である。
解説
Amazon SageMaker Clarify は、ゲーム理論に基づくSHAP（SHapley Additive exPlanations）を用いて各特徴量の予測への貢献度を一貫した方法で算出する。モデル全体の傾向を示すグローバルな特徴量重要度と、個々の予測に対するローカルな寄与度の双方を提供でき、責任あるAIの説明可能性（XAI）要件に合致する。
選択肢Bの Amazon SageMaker Autopilot はモデルの自動構築・再トレーニングを行う機能で、特徴量の寄与度を説明する手法ではない。
選択肢Cの Amazon SageMaker Data Wrangler はデータ前処理を行うツールで、予測の説明可能性は提供しない。
選択肢Dの Amazon SageMaker Model Monitor は本番モデルの品質劣化やドリフトを監視する機能で、特徴量の寄与度算出はできない。
ドメイン別正答率・予想スコアでリアルタイムに実力把握
無限ノックでAIFを徹底対策。全問AI生成のオリジナル問題。
無料で演習を始める →