Ein Medizintechnikunternehmen wird Hunderte von Trainingsiterationen mit vielen Features, Algorithmen und Hyperparametern durchführen und muss die Eigenschaften und Ergebnisse jedes Laufs aufzeichnen. Welche Lösung bietet dieses Tracking mit dem geringsten Implementierungsaufwand?

SageMaker Experiments ist die effizienteste Lösung, da es speziell für das Nachverfolgen, Vergleichen und Analysieren von Machine-Learning-Experimenten entwickelt wurde. Es erfasst automatisch Metadaten wie Algorithmen, Hyperparameter, Datenquellen und Leistungsmetriken für jeden Trainingslauf mit minimalem Implementierungsaufwand. Amazon CloudWatch ist eher für die Überwachung von Anwendungsmetriken gedacht und erfordert erheblichen Aufwand für die Definition benutzerdefinierter Metriken für ML-Experimente. Das Schreiben von Details in S3-Protokolle und die anschließende Abfrage mit AWS Glue und Athena ist eine manuelle und aufwendige Methode, die nicht die integrierten Funktionen zur Experimentenverwaltung bietet. Die SageMaker Model Registry dient der Katalogisierung und Versionierung von trainierten Modellen, nicht der Nachverfolgung einzelner Trainingsiterationen oder Experimente.