Ao ajustar um modelo de deep learning no SageMaker Studio, você espera problemas como vanishing gradients, GPU subutilizada e overfitting. Você precisa de métricas abrangentes em tempo real durante o treinamento e reações automáticas (ações predefinidas) quando esses problemas são detectados, com sobrecarga operacional mínima. Qual opção atende a essas necessidades?

A opção correta é usar as regras integradas do SageMaker Debugger. O SageMaker Debugger foi projetado especificamente para monitorar modelos de deep learning durante o treinamento, detectando problemas como vanishing gradients, GPU subutilizada e overfitting em tempo real. Ele oferece regras pré-construídas e personalizáveis que podem acionar ações predefinidas (como parar o treinamento ou enviar notificações) automaticamente, com sobrecarga operacional mínima. As outras opções são menos eficientes ou completas: Usar TensorBoard com SNS e Lambda exigiria mais configuração manual e não oferece a detecção automática e em tempo real de problemas de treinamento que o Debugger fornece. As métricas padrão do CloudWatch são genéricas e não incluem os insights específicos de deep learning (como gradientes) necessários para detectar os problemas mencionados. Estender as métricas do CloudWatch para incluir gradientes seria um processo manual e complexo, com maior sobrecarga operacional, e ainda não ofereceria a detecção inteligente de padrões de problemas que o Debugger possui.