Questão 25 — Amazon AIF-C01 Simulado | AWS Certified AI Practitioner Questões e Respostas
Uma empresa faz previsões trimestralmente para decidir como otimizar as operações para atender à demanda esperada. A empresa usa modelos de ML para fazer essas previsões. Um profissional de IA está escrevendo um relatório sobre os modelos de ML treinados para fornecer transparência e explicabilidade às partes interessadas da empresa. O que o profissional de IA deve incluir no relatório para cumprir os requisitos de transparência e explicabilidade?
- A. Código para treinamento de modelo
- B. Gráficos de dependência parcial (PDPs)
- C. Dados de amostra para treinamento
- D. Tabelas de convergência de modelo
Resposta correta:
B
Explicação
Explicação: Gráficos de dependência parcial (PDPs) são ferramentas visuais usadas para mostrar a relação entre um recurso (ou conjunto de recursos) nos dados e o resultado previsto de um modelo de aprendizado de máquina. Eles são altamente eficazes para fornecer transparência e explicabilidade do comportamento do modelo às partes interessadas, ilustrando como diferentes variáveis de entrada impactam as previsões do modelo. Opção B (correta): "Gráficos de dependência parcial (PDPs)": Esta é a resposta correta porque os PDPs ajudam a interpretar como as previsões do modelo mudam com valores variados dos recursos de entrada, proporcionando às partes interessadas uma compreensão mais clara do processo de tomada de decisão do modelo. Opção A: "Código para treinamento de modelo" está incorreto porque fornecer o código bruto para treinamento de modelo pode não oferecer transparência ou explicabilidade para partes interessadas não técnicas. Opção C: “Dados de amostra para treinamento” está incorreto, pois os dados de amostra por si só não explicam como o modelo funciona ou seu processo de tomada de decisão. Opção D: "Tabelas de convergência do modelo" está incorreta. Embora as tabelas de convergência possam mostrar o processo de treinamento, elas não fornecem insights sobre como os recursos de entrada afetam as previsões do modelo. Referência para profissionais de IA da AWS: explicabilidade no AWS Machine Learning: a AWS fornece várias ferramentas para explicabilidade do modelo, como o Amazon SageMaker Clarify, que inclui PDPs para ajudar a explicar o impacto de diferentes recursos nas previsões do modelo.