Une entreprise médicale exécutera des centaines d'itérations de formation avec de nombreuses fonctionnalités, algorithmes et hyperparamètres, et doit enregistrer les caractéristiques et les résultats de chaque exécution. Quelle solution offre ce suivi avec le moins d'effort de mise en œuvre ?

SageMaker Experiments est la solution la plus efficace car elle est conçue spécifiquement pour suivre, organiser et comparer les itérations d'entraînement de modèles de machine learning. Elle capture automatiquement les métadonnées clés, les hyperparamètres, les métriques et les artefacts, ce qui minimise l'effort de mise en œuvre pour un suivi complet. Amazon CloudWatch est un service de surveillance qui peut créer des métriques personnalisées, mais il n'est pas optimisé pour le suivi structuré et la comparaison des exécutions d'expériences ML, nécessitant un effort de développement important pour reproduire les fonctionnalités de SageMaker Experiments. Écrire les détails dans des journaux S3 et les interroger avec AWS Glue et Amazon Athena est une approche viable, mais elle demande un effort de développement et de maintenance plus important pour la structuration des données et l'analyse par rapport à SageMaker Experiments, qui offre cette fonctionnalité de manière native. Le SageMaker Model Registry est utilisé pour cataloguer les modèles prêts pour le déploiement, gérer leurs versions et leurs approbations, et non pour suivre les itérations d'entraînement individuelles.