Un ingeniero de ML utilizó la optimización bayesiana en SageMaker para el ajuste de hiperparámetros y optimizó la precisión. Ahora quiere optimizar la recuperación (recall) y ampliar el rango de búsqueda de algunos hiperparámetros, incluyendo el rango anterior. ¿Qué enfoque completará el nuevo trabajo de ajuste en el menor tiempo?

Un "warm-start" (arranque en caliente) es la forma más eficiente de continuar un trabajo de ajuste de hiperparámetros. Permite que el nuevo trabajo aproveche el conocimiento de los trabajos anteriores, utilizando los resultados de las evaluaciones ya realizadas para informar la búsqueda de nuevos hiperparámetros. Esto acelera la convergencia y reduce el tiempo total necesario para encontrar los hiperparámetros óptimos, especialmente al expandir el rango de búsqueda. El "checkpointing" se usa para guardar el estado de un trabajo en ejecución y reanudarlo si falla, no para iniciar un nuevo trabajo con conocimientos previos. Usar la misma semilla aleatoria no acelera el proceso de ajuste, solo asegura la reproducibilidad si se ejecuta el mismo proceso. Ejecutar múltiples trabajos en paralelo podría ser más rápido que un solo trabajo desde cero, pero no es tan eficiente como un "warm-start" que reutiliza el conocimiento previo.