Uma empresa médica executará centenas de iterações de treinamento com muitos recursos, algoritmos e hiperparâmetros, e deve registrar as características e os resultados de cada execução. Qual solução oferece esse rastreamento com o menor esforço de implementação?

SageMaker Experiments é a solução mais eficiente porque foi projetado especificamente para rastrear e gerenciar milhares de experimentos de machine learning, incluindo características, algoritmos, hiperparâmetros e resultados. Ele automatiza o registro de metadados, facilitando a comparação e análise de diferentes execuções. Usar o Amazon CloudWatch para métricas personalizadas seria muito trabalhoso, pois exigiria a criação manual de métricas para cada característica e resultado, além de não ser otimizado para a estrutura complexa de experimentos de ML. Gravar detalhes em logs no Amazon S3 e usar AWS Glue/Athena é uma abordagem mais genérica de armazenamento e consulta de dados, mas exige mais esforço de implementação e gerenciamento para extrair insights específicos de experimentos de ML em comparação com a solução integrada do SageMaker Experiments. O SageMaker Model Registry é para gerenciar versões de modelos e seus metadados após o treinamento, não para rastrear as execuções de treinamento em si.