Un banco utilizó SageMaker con el algoritmo XGBoost incorporado y ejecutó un trabajo de ajuste automático de hiperparámetros bayesiano utilizando la precisión de validación como objetivo. El modelo implementado actualmente tiene una precisión del 75%. El banco le ha dado al especialista en ML un día para mejorar la precisión de producción. ¿Cuál es la forma más rápida de intentar mejorar el modelo dentro de ese tiempo?

La opción correcta es lanzar un trabajo de ajuste de hiperparámetros de SageMaker con warm start. Esta técnica permite que el nuevo trabajo de ajuste aproveche el conocimiento de los trabajos de entrenamiento anteriores, explorando el espacio de hiperparámetros de manera más eficiente y rápida. Al mantener la misma métrica objetivo (precisión de validación), se enfoca directamente en mejorar el rendimiento existente. Las demás opciones son menos eficientes para un plazo de un día. El entrenamiento incremental no es un concepto directamente aplicable al ajuste de hiperparámetros en este contexto. Cambiar la métrica objetivo o aumentar el número de trabajos sin warm start implicaría empezar de cero o con una base menos informada, lo que consumiría más tiempo.