Uno specialista di ML ha un'immagine container personalizzata utilizzata per addestrare un classificatore di immagini in Amazon SageMaker e desidera confrontare i risultati dell'ottimizzazione degli iperparametri (HPO) di tale immagine personalizzata con i risultati dell'algoritmo di classificazione delle immagini integrato di SageMaker. Tutti gli esperimenti e i job HPO devono essere avviati da script all'interno dei notebook di SageMaker Studio. Quale approccio consentirà allo specialista di farlo nel minor tempo possibile?

L'opzione corretta consente di confrontare efficacemente i due approcci. SageMaker Experiments è lo strumento ideale per gestire e confrontare più esecuzioni di training (esperimenti) per il container personalizzato, tracciando metriche e parametri. Per l'algoritmo integrato, SageMaker Automatic Model Tuning (HPO) è la soluzione più rapida ed efficiente per trovare i migliori iperparametri, includendo l'arresto anticipato per risparmiare tempo e risorse. Le altre opzioni sono meno efficienti: l'HPO personalizzato richiederebbe più tempo per essere sviluppato e gestito, Autopilot non è progettato per ottimizzare container personalizzati in questo contesto, e l'ottimizzazione simultanea con HPO per due modelli distinti non è un caso d'uso tipico e potrebbe non essere la via più diretta.