Une banque a utilisé SageMaker avec l'algorithme XGBoost intégré et a exécuté une tâche de réglage automatique bayésien des hyperparamètres en utilisant la précision de validation comme objectif. Le modèle déployé a actuellement une précision de 75 %. La banque a donné une journée au spécialiste ML pour améliorer la précision en production. Quelle est la méthode la plus rapide pour tenter d'améliorer le modèle dans ce délai ?

Le démarrage à chaud (warm start) d'une tâche de réglage des hyperparamètres SageMaker est la méthode la plus rapide et la plus efficace pour améliorer un modèle existant dans un délai court. Cette approche permet de réutiliser les connaissances acquises lors de la tâche de réglage précédente, en évitant de recommencer la recherche à partir de zéro. Cela accélère considérablement le processus de convergence vers de meilleurs hyperparamètres. L'entraînement incrémentiel est utile pour continuer l'entraînement d'un modèle déjà entraîné, mais pas pour optimiser les hyperparamètres. Changer la métrique objective ou créer une nouvelle tâche de réglage sans démarrage à chaud nécessiterait plus de temps, car le processus de recherche des hyperparamètres devrait être entièrement relancé, ce qui est incompatible avec le délai d'une journée.