金融機関が住宅ローン審査のMLモデルを開発している。コンプライアンス部門から、本番デプロイ前に学習データセット内の保護属性（年齢・性別・居住地域）に関する差別的偏りを定量的に分析して監査レポートを提出するよう求められた。

Question

金融機関が住宅ローン審査のMLモデルを開発している。コンプライアンス部門から、本番デプロイ前に学習データセット内の保護属性（年齢・性別・居住地域）に関する差別的偏りを定量的に分析して監査レポートを提出するよう求められた。SageMaker Pipelines のステップとして組み込み可能で、保護属性ごとのラベル分布差異など複数の統計的偏り指標を算出できるソリューションはどれか。

Accepted Answer

正解: SageMaker Clarify の PreTrainingBias分析でCI・DPPLなどの統計指標を算出してS3にレポートを保存する。SageMaker Clarify は ClarifyCheckStep でSageMaker Pipelinesに統合でき、PreTrainingBias分析で学習データのCI・DPPLなどバイアス指標を定量化してS3に監査レポートを出力する。

Answer

SageMaker Model Monitor のモデル品質モニタリングをSageMaker Pipelinesと連携させ、本番推論データの予測分布変化を継続追跡する — SageMaker Model Monitor はデプロイ済みエンドポイントの本番推論データを監視するサービスであり、学習前のデータセットバイアス分析には対応しない。

Answer

SageMaker Debugger でトレーニング中の損失カーブを監視し、特定クラスへの過適合を検出する — SageMaker Debugger はトレーニング中のテンソル・勾配を監視するデバッグツールであり、学習データの保護属性バイアスを定量分析する機能を持たない。

Answer

SageMaker Autopilot でモデルを自動構築し、Explainability レポートを出力して属性重要度を確認する — SageMaker Autopilot はAutoMLでモデルを自動選択するサービスであり、保護属性の事前学習バイアス指標算出と監査レポート生成を主目的としない。

解説