Ein ML-Spezialist verfügt über ein benutzerdefiniertes Container-Image, das zum Trainieren eines Bildklassifikators in Amazon SageMaker verwendet wird, und möchte die Hyperparameter-Optimierungs-(HPO)-Ergebnisse dieses benutzerdefinierten Images mit den Ergebnissen des integrierten Bildklassifizierungsalgorithmus von SageMaker vergleichen. Alle Experimente und HPO-Jobs müssen von Skripten innerhalb von SageMaker Studio-Notebooks gestartet werden. Welcher Ansatz ermöglicht es dem Spezialisten, dies in kürzester Zeit zu tun?

Die korrekte Antwort ist die effizienteste Methode. SageMaker Experiments ermöglicht das Verfolgen und Vergleichen mehrerer Trainingsläufe für das benutzerdefinierte Container-Modell, was für die Hyperparameter-Optimierung unerlässlich ist, wenn kein integriertes HPO-Feature direkt verfügbar ist. Für den integrierten SageMaker-Algorithmus ist die automatische Modellabstimmung von SageMaker (HPO) die schnellste und einfachste Methode, um optimale Hyperparameter zu finden und die Leistung zu vergleichen. Die erste Option ist ineffizient, da ein benutzerdefiniertes HPO-Skript mehr Entwicklungsaufwand erfordert und der lokale Modus nicht für umfangreiche HPO-Jobs geeignet ist. Die zweite Option ist falsch, da SageMaker Autopilot keine benutzerdefinierten Container-Images unterstützt. Die vierte Option ist ebenfalls falsch, da die automatische Modellabstimmung von SageMaker nicht direkt für benutzerdefinierte Container-Images verwendet werden kann, die nicht über die erforderliche SageMaker-Integration verfügen, um Hyperparameter automatisch zu optimieren.