Un ingegnere ML ha utilizzato l'ottimizzazione bayesiana in SageMaker per l'ottimizzazione degli iperparametri e ha ottimizzato per la precisione. Ora vuole ottimizzare il richiamo (recall) e ampliare l'intervallo di ricerca per alcuni iperparametri, includendo l'intervallo precedente. Quale approccio completerà il nuovo processo di ottimizzazione nel minor tempo possibile?

L'approccio più efficiente è avviare un processo di ottimizzazione degli iperparametri con warm-start. Questo metodo consente a SageMaker di riutilizzare i risultati delle iterazioni precedenti come punti di partenza per la nuova ricerca. Poiché l'intervallo di ricerca è stato ampliato e include quello precedente, i dati storici sono ancora validi e utili per informare il modello bayesiano, accelerando la convergenza verso un nuovo ottimo per il richiamo. Utilizzare il checkpointing è utile per riprendere un processo interrotto, non per iniziare un nuovo processo con obiettivi diversi. Usare lo stesso seed casuale non garantisce un'accelerazione significativa, poiché la funzione obiettivo (ora il richiamo) è cambiata. Eseguire più processi in parallelo aumenterebbe il tempo complessivo necessario per completare la ricerca, non lo ridurrebbe.