As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# interpretabilidade em AWS
<a name="sagemaker"></a>

Você pode usar instâncias do Jupyter gerenciadas pelo Amazon SageMaker AI para instalar facilmente módulos Python por meio do Conda e `pip`. Para obter informações sobre pacotes Python para SHAP e métodos integrados baseados em gradientes, consulte a seção [Recursos](resources.md). Para trabalhos menores e testes locais em uma instância do SageMaker AI Jupyter, o uso dos métodos desses pacotes Python pode ser suficiente. Se você estiver usando um modelo gerenciado do SageMaker AI, o SageMaker AI Clarify fornece métodos convenientes para iniciar o Kernel SHAP em uma instância dedicada e descarregar a computação enquanto o desenvolvedor do modelo continua trabalhando em sua instância do Jupyter. Para obter mais informações, consulte [Criar linhas de base de atributos de recursos e relatórios de explicabilidade na](https://docs.aws.amazon.com/sagemaker/latest/dg/clarify-feature-attribute-baselines-reports.html) documentação do SageMaker AI.