Ein ML-Ingenieur hat die Bayes'sche Optimierung in SageMaker für die Hyperparameter-Abstimmung verwendet und für Präzision optimiert. Nun möchte er stattdessen den Recall optimieren und den Suchbereich für einige Hyperparameter erweitern, einschließlich des vorherigen Bereichs. Welcher Ansatz wird den neuen Abstimmungsjob in der kürzesten Zeit abschließen?

Ein Warm-Start-Ansatz ist am effizientesten, da er die Informationen aus dem vorherigen Tuning-Job nutzt, um den Suchprozess für die neuen Hyperparameter und das neue Optimierungsziel (Recall statt Präzision) zu beschleunigen. Der Bayes'sche Optimierer kann so schneller vielversprechende Bereiche im erweiterten Suchraum identifizieren. Checkpointing speichert den Zustand eines laufenden Jobs, hilft aber nicht, die Startzeit eines neuen Jobs zu verkürzen. Die Verwendung desselben Zufalls-Seeds würde die Reproduzierbarkeit verbessern, aber nicht die Konvergenz beschleunigen oder den Suchraum effizienter erkunden. Parallele Ausführung mehrerer Jobs kann die Gesamtzeit reduzieren, aber ein Warm-Start ist spezifisch darauf ausgelegt, von früheren Erkenntnissen zu profitieren, was in diesem Szenario die intelligenteste und schnellste Methode ist.