Un spécialiste en ML dispose d'une image de conteneur personnalisée utilisée pour entraîner un classifieur d'images dans Amazon SageMaker et souhaite comparer les résultats de l'optimisation des hyperparamètres (HPO) de cette image personnalisée avec les résultats de l'algorithme de classification d'images intégré de SageMaker. Toutes les expériences et les tâches HPO doivent être lancées à partir de scripts dans les notebooks SageMaker Studio. Quelle approche permettra au spécialiste de le faire dans le moins de temps possible ?

La bonne approche est d'utiliser SageMaker Experiments pour le conteneur personnalisé et le réglage automatique de modèle SageMaker (HPO) pour l'algorithme intégré. SageMaker Experiments permet de suivre et de comparer efficacement les performances de plusieurs tâches d'entraînement lancées manuellement ou via des scripts, ce qui est idéal pour un conteneur personnalisé où le HPO n'est pas directement intégré. Le réglage automatique de modèle SageMaker est conçu spécifiquement pour l'optimisation des hyperparamètres des algorithmes SageMaker, y compris les algorithmes intégrés, et inclut des fonctionnalités comme l'arrêt anticipé. L'option d'écrire un script HPO personnalisé est plus laborieuse et ne bénéficie pas des capacités de suivi structuré d'Experiments. SageMaker Autopilot n'est pas conçu pour ajuster des conteneurs personnalisés, mais plutôt pour l'apprentissage automatique automatisé de bout en bout. L'option d'utiliser le réglage automatique de modèle pour ajuster simultanément les deux n'est pas possible car le HPO de SageMaker est généralement appliqué à un seul type d'estimateur ou d'algorithme à la fois.