MLA機械学習のためのデータ準備
ある金融機関が、ローン審査の与信モデルを構築するためにS3上の学習データを準備しています。トレーニング前に、性別や年齢層などの属性グループ間でラベルの分布に偏りがないか、クラス不均衡やグループ間の差異を定量的なバイアス指標で測定し、データセットの公平性を評価したいと考えています。最も適したアプローチはどれですか。
AAmazon SageMaker Clarify のトレーニング前バイアス検出を実行し、クラス不均衡などのバイアス指標を算出する
✓ 正解
Clarify はトレーニング前バイアス検出で、クラス不均衡（CI）やラベル比率の差（DPL）などの指標を属性グループ間で算出できる。学習前にデータの偏りと公平性を定量評価できるため、与信モデルの要件に最も合致する。
BAmazon SageMaker Model Monitor を使って学習データのバイアスを継続監視する
Model Monitor は本番デプロイ後のエンドポイントでデータドリフトや推論バイアスを継続監視する機能であり、トレーニング前のデータセットに対する公平性評価という用途には設計されていない。
CAmazon SageMaker Data Wrangler のクイックモデル機能でモデル精度を推定する
Data Wrangler のクイックモデルは特徴量の重要度やおおまかなモデル精度を素早く確認する機能で、属性グループ間のバイアス指標を測定・定量化する目的には対応していない。
DAmazon SageMaker Debugger を有効にして、トレーニング中の勾配からバイアスを検出する
Debugger はトレーニング中のテンソル・勾配・リソース使用状況を監視して学習問題を検出するツールであり、学習前データのクラス不均衡やグループ間バイアスの評価には用いられない。
解説
Amazon SageMaker Clarify は、トレーニング前のデータセットに対してバイアスを検出する機能を提供します。クラス不均衡（CI）、ラベルにおける正の比率の差（DPL）など複数の統計的バイアス指標を、性別や年齢層といったセンシティブな属性グループ間で算出し、学習前にデータの偏りや公平性を定量評価できます。これにより、不公平なモデルの学習を未然に防ぐ判断材料が得られます。
選択肢Bの SageMaker Model Monitor は本番エンドポイントのドリフトやバイアス監視が主目的で、学習前データの評価には適しません。
選択肢Cの Data Wrangler クイックモデルは特徴量の重要度や精度の概算を示すもので、バイアス指標の測定はできません。
選択肢Dの SageMaker Debugger は学習中のテンソルやリソースの監視ツールで、データセットの公平性評価を目的としていません。
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MLA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 →