Un especialista en ML tiene una imagen de contenedor personalizada que se utiliza para entrenar un clasificador de imágenes en Amazon SageMaker y quiere comparar los resultados de la optimización de hiperparámetros (HPO) de esa imagen personalizada con los resultados del algoritmo de clasificación de imágenes integrado de SageMaker. Todos los experimentos y trabajos de HPO deben lanzarse desde scripts dentro de los notebooks de SageMaker Studio. ¿Qué enfoque permitirá al especialista hacer esto en la menor cantidad de tiempo?

La opción correcta es la más eficiente porque SageMaker Experiments permite organizar, rastrear y comparar fácilmente múltiples trabajos de entrenamiento, lo cual es ideal para el contenedor personalizado donde se necesita ejecutar y evaluar varias configuraciones de hiperparámetros. SageMaker automatic model tuning (AMT) es la herramienta nativa y más rápida para optimizar algoritmos integrados de SageMaker, como el clasificador de imágenes. Combinar estas dos herramientas permite una comparación directa y eficiente de los resultados de HPO de ambos enfoques. Las otras opciones son menos óptimas: La primera opción sugiere ejecutar trabajos en modo local para el contenedor personalizado, lo cual no escala y es ineficiente para HPO. La segunda opción propone usar SageMaker Autopilot para el contenedor personalizado, pero Autopilot está diseñado para automatizar el ciclo de vida completo del ML con algoritmos predefinidos, no para optimizar un contenedor personalizado existente de forma tan granular como Experiments. La cuarta opción es incorrecta porque SageMaker automatic model tuning no puede ajustar simultáneamente un contenedor personalizado y un algoritmo integrado de SageMaker en una sola ejecución de HPO. Son dos tipos de trabajos de entrenamiento distintos que requieren configuraciones separadas.