Lors de l'ajustement fin d'un modèle de deep learning dans SageMaker Studio, vous vous attendez à des problèmes tels que les gradients évanescents, la sous-utilisation du GPU et le surapprentissage. Vous avez besoin de métriques complètes en temps réel pendant l'entraînement et de réactions automatiques (actions prédéfinies) lorsque ces problèmes sont détectés, avec une surcharge opérationnelle minimale. Quelle option répond à ces besoins ?

L'option correcte est d'utiliser les règles intégrées de SageMaker Debugger. SageMaker Debugger est conçu spécifiquement pour détecter les problèmes courants d'entraînement de modèles de deep learning, tels que les gradients évanescents, la sous-utilisation du GPU et le surapprentissage, en temps réel. Il fournit des métriques complètes et peut déclencher des actions prédéfinies (comme arrêter un job d'entraînement) avec une surcharge opérationnelle minimale. Les autres options sont moins efficaces ou plus complexes : Utiliser TensorBoard avec SNS et Lambda nécessiterait une intégration manuelle complexe pour la détection et les actions automatiques. Les métriques d'entraînement par défaut de CloudWatch sont utiles mais ne fournissent pas la détection spécifique des problèmes de deep learning comme les gradients évanescents sans configuration supplémentaire. Étendre les métriques CloudWatch pour inclure les gradients serait une solution personnalisée et complexe à mettre en œuvre et à maintenir.