ある保険会社が SageMaker で保険金請求の審査支援モデルを運用しています。規制対応として「個々の審査結果ごとに、なぜその予測に至ったかを各特徴量の寄与度としてリアルタイムに提示する」ことを求められています。本番エ

Question

ある保険会社が SageMaker で保険金請求の審査支援モデルを運用しています。規制対応として「個々の審査結果ごとに、なぜその予測に至ったかを各特徴量の寄与度としてリアルタイムに提示する」ことを求められています。本番エンドポイントへの追加対応として最も適切なものはどれですか。

Accepted Answer

正解: SageMaker Clarify のオンライン説明可能性を有効化し、推論ごとに特徴量の寄与度（SHAP値）を返す。SageMaker Clarify のオンライン説明可能性は、リアルタイム推論エンドポイントに対し、推論レスポンスと同時にその予測に対する各特徴量の寄与度（SHAPベース）を返す機能です。「個々の審査結果ごとにリアルタイムで理由を提示」という規制要件に合致します。

選択肢Bのバッチ処理は学習データ全体の大域的な重要度を一度算出するのみで、個々の推論ごとのリアルタイム説明はできない。
選択肢Cの Model Cards はモデル全体の文書化であり、個別予測の理由提示には対応しない。
選択肢Dの CloudWatch は運用メトリクス監視で、予測の説明可能性は提供しない。

Answer

SageMaker Clarify のバッチ処理で学習データ全体の大域的な特徴量重要度を一度だけ算出する — バッチ処理による大域的な特徴量重要度は学習データ全体の傾向を一度算出するものであり、個々の推論ごとにリアルタイムで理由を返す要件には対応できないため不適切。

Answer

SageMaker Model Cards に評価指標と想定用途を記録し、監査時に提示する — Model Cards はモデルの用途・評価指標・制限などをまとめた文書であり、個別の予測ごとにその場で寄与度を提示する機能ではないため、リアルタイム説明の要件を満たさない。

Answer

Amazon CloudWatch で推論のレイテンシとエラー率のメトリクスを監視する — CloudWatch は推論のレイテンシやエラー率といった運用メトリクスを監視する仕組みであり、予測に至った理由（特徴量の寄与度）を提示する説明可能性の機能は提供しないため不適切。

解説