Al ajustar un modelo de aprendizaje profundo en SageMaker Studio, se esperan problemas como el desvanecimiento de gradientes, la GPU subutilizada y el sobreajuste. Necesita métricas completas en tiempo real durante el entrenamiento y reacciones automáticas (acciones predefinidas) cuando se detectan estos problemas, con una sobrecarga operativa mínima. ¿Qué opción satisface estas necesidades?

La opción correcta es usar las reglas integradas de SageMaker Debugger. SageMaker Debugger está diseñado específicamente para monitorear el entrenamiento de modelos de aprendizaje profundo en tiempo real, detectando problemas comunes como el desvanecimiento de gradientes, la subutilización de la GPU y el sobreajuste. Permite configurar reglas predefinidas o personalizadas que pueden activar acciones automáticas (como detener el entrenamiento o enviar notificaciones) cuando se detectan anomalías, lo que minimiza la sobrecarga operativa. Las otras opciones son menos eficientes o completas: Usar TensorBoard con SNS y Lambda requeriría una configuración manual compleja para la detección y las acciones automáticas, aumentando la sobrecarga operativa. Las métricas predeterminadas de CloudWatch son útiles, pero no ofrecen la granularidad necesaria para detectar problemas específicos de entrenamiento de DL como el desvanecimiento de gradientes sin extensiones significativas. Extender las métricas de CloudWatch para incluir gradientes es posible, pero SageMaker Debugger ya ofrece esta funcionalidad de forma integrada y optimizada.