Un ingénieur ML a utilisé l'optimisation bayésienne dans SageMaker pour l'ajustement des hyperparamètres et a optimisé la précision. Il souhaite maintenant optimiser le rappel à la place et étendre la plage de recherche pour certains hyperparamètres, en incluant la plage précédente. Quelle approche permettra de terminer le nouveau travail d'ajustement dans les plus brefs délais ?

Le démarrage à chaud (warm start) d'un travail d'ajustement des hyperparamètres est la méthode la plus rapide. Il permet de réutiliser les connaissances acquises lors du travail précédent, y compris les configurations d'hyperparamètres déjà évaluées et leurs performances. Cela est particulièrement efficace avec l'optimisation bayésienne, car elle utilise ces informations pour guider la recherche vers des régions prometteuses, réduisant ainsi le nombre d'évaluations nécessaires pour trouver de bons hyperparamètres pour le nouveau critère (rappel) et la plage étendue. Le checkpointing est pour la reprise en cas d'échec, pas pour accélérer un nouveau travail. Utiliser la même graine aléatoire n'a pas d'impact significatif sur la vitesse d'un nouveau travail d'optimisation bayésienne. Exécuter des travaux en parallèle peut aider à explorer l'espace plus rapidement, mais un démarrage à chaud est plus efficace pour capitaliser sur les résultats existants.