ML 전문가는 Amazon SageMaker에서 이미지 분류기를 훈련하는 데 사용되는 사용자 지정 컨테이너 이미지를 가지고 있으며, 해당 사용자 지정 이미지의 하이퍼파라미터 최적화(HPO) 결과와 SageMaker의 내장 이미지 분류 알고리즘 결과를 비교하고자 합니다. 모든 실험 및 HPO 작업은 SageMaker Studio 노트북 내의 스크립트에서 시작되어야 합니다. 전문가가 가장 짧은 시간 안에 이를 수행할 수 있는 접근 방식은 무엇입니까?

정답은 SageMaker Experiments를 사용하여 사용자 지정 컨테이너 모델을 튜닝하고, SageMaker 자동 모델 튜닝(AMT)을 사용하여 내장 이미지 분류 알고리즘을 튜닝하는 것입니다. SageMaker Experiments는 여러 훈련 작업을 효율적으로 실행하고 추적하여 사용자 지정 컨테이너의 하이퍼파라미터 최적화를 수동으로 관리하고 결과를 비교하는 데 적합합니다. 동시에 SageMaker AMT는 내장 알고리즘에 대해 최적의 하이퍼파라미터를 자동으로 찾아주므로 시간을 절약할 수 있습니다. 이 접근 방식은 두 모델 유형에 대해 가장 효율적인 최적화 방법을 결합하여 가장 짧은 시간 안에 목표를 달성할 수 있게 합니다. 오답 설명: 사용자 지정 HPO 스크립트를 작성하여 로컬 모드로 여러 훈련 작업을 시작하는 것은 SageMaker Experiments를 사용하는 것보다 수동 작업이 많아 비효율적입니다. SageMaker Autopilot은 사용자 지정 컨테이너 모델을 직접 튜닝하는 데 사용되지 않습니다. 주로 테이블 형식 데이터에 대한 자동 ML 솔루션을 제공합니다. SageMaker 자동 모델 튜닝은 사용자 지정 컨테이너 모델과 내장 알고리즘을 동시에 튜닝할 수 있지만, 사용자 지정 컨테이너의 복잡성 때문에 Experiments를 통한 수동 최적화 및 추적이 더 유연하고 통제력이 높을 수 있습니다.