融資承認モデルは、登録前に透明性と人口統計上の公平性の両面から評価されなければならない。 オプション D (特徴量の重要度) は予測の透明性に対応しています。SHAP または Azure ML の責任ある AI ダッシュボードを使用すると、どの特徴量が個々の予測を左右しているかをチームが確認でき、保護対象属性のプロキシ変数が不適切に意思決定に影響を与えているかどうかが明らかになります。オプション E (人口統計コホート全体のエラー率) は、モデルが特定のグループに対してより多くの間違いを犯しているかどうかを直接測定します。これは、責任ある AI の原則で要求される公平性の主要な指標です。オプション A (グローバルエラー率) は、コホートレベルの分析が必要なため、格差を隠蔽します。オプション B (エンドポイントのレイテンシ) は、パフォーマンス エンジニアリング上の懸念事項です。オプション C (推論スキーマの互換性) は、技術的な統合チェックです。Azure ML の責任ある AI ダッシュボードは、まさにこのようなデプロイ前の公平性評価のために設計された統合インターフェイスで、エラー分析と特徴量の重要度の両方を組み合わせています。 Microsoft Learn リファレンス トピック: Azure Machine Learning の責任ある AI ダッシュボード - エラー分析とモデルの解釈可能性