ShopScale 在一个 Experiment 下运行了数十个 SageMaker 训练作业（脚本模式，使用内置 XGBoost）。每个训练作业在每个 epoch 将指标 'validation:accuracy' 记录到 TrialComponent 中。ML 团队需要一个自动化的编程报告，比较 Experiment 中所有 TrialComponent 在第 10 个 epoch 的 validation:accuracy，以选择最佳运行进行部署。哪种方法能最直接、编程地聚合跨运行的指标？

正确答案是使用 SageMaker Experiments Python SDK 的 TrialComponentAnalytics。SageMaker Experiments 旨在跟踪和管理机器学习实验，TrialComponentAnalytics 类提供了直接、编程的方式来查询、筛选和聚合实验中的指标，包括特定 epoch 的指标。这正是题目要求的功能，即比较所有 TrialComponent 在第 10 个 epoch 的 validation:accuracy。 直接查询 CloudWatch 指标虽然可行，但效率低下且复杂，因为它需要手动关联 CloudWatch 指标与 SageMaker Experiment 的 TrialComponent。将日志导出到 S3 并使用 Glue ETL 解析过于繁琐，且偏离了 SageMaker Experiments 的核心功能。SageMaker Model Monitor 用于监控部署后的模型性能，而不是比较训练实验中的指标。