AdMarketIncは、単一のp3.16xlargeでレコメンデーションモデルのトレーニングを実行しており、1回の試行に約12時間かかります。予算が厳しく、最大で約20回の完全なトレーニング試行しか実行できません。モデルの評価は適度にノイズがありますが、各試行は高価です。限られた試行予算内で、ほぼ最適なハイパーパラメータ構成を最も効率的に見つけるために、どのSageMaker Automatic Model Tuning戦略を選択すべきですか？

正解はベイズ最適化戦略です。これは、高価でノイズの多い評価に対して最もサンプル効率が高いためです。ベイズ最適化は、過去の評価結果に基づいて目的関数の確率モデル（サロゲートモデル）を構築し、次に評価すべき最も有望なハイパーパラメータの組み合わせをインテリジェントに選択します。これにより、限られた試行回数で最適な構成に迅速に収束できます。 ランダムサーチは、ベイズ最適化よりもサンプル効率が低く、特に試行回数が限られている場合に最適な解を見つけるのが遅くなります。HyperBandは、早期停止によりリソースを節約しますが、探索の効率性という点ではベイズ最適化に劣る場合があります。グリッドサーチは、すべての組み合わせを網羅するため、試行回数が限られている高価な評価には非効率的です。