Een ML-specialist heeft een aangepaste container-image die wordt gebruikt om een beeldclassificator te trainen in Amazon SageMaker en wil de hyperparameteroptimalisatie (HPO)-resultaten van die aangepaste image vergelijken met resultaten van SageMaker's ingebouwde beeldclassificatie-algoritme. Alle experimenten en HPO-taken moeten worden gestart vanuit scripts binnen SageMaker Studio notebooks. Welke aanpak stelt de specialist in staat dit in de kortst mogelijke tijd te doen?

De correcte aanpak is om SageMaker Experiments te gebruiken voor het custom-container model en SageMaker automatische modeltuning (AMT) voor het ingebouwde algoritme. SageMaker Experiments is ideaal voor het organiseren, volgen en vergelijken van meerdere trainingstaken, wat essentieel is voor het afstemmen van een custom-container model. SageMaker AMT is de meest efficiënte manier om hyperparameters te optimaliseren voor ingebouwde algoritmen, inclusief early stopping voor tijdsbesparing. Door deze combinatie kan de specialist de resultaten van beide benaderingen effectief vergelijken. De andere opties zijn minder efficiënt of onjuist: Het schrijven van een aangepast HPO-script en het gebruik van de lokale modus is tijdrovend en schaalt niet goed. SageMaker Autopilot is ontworpen voor geautomatiseerde ML en niet specifiek voor het afstemmen van een bestaand custom-container model met specifieke HPO-behoeften. Het gelijktijdig gebruiken van SageMaker AMT voor zowel custom-container modellen als ingebouwde algoritmen is niet direct mogelijk op de manier zoals beschreven, aangezien AMT primair is ontworpen voor de ingebouwde algoritmen of estimators die compatibel zijn met de SageMaker SDK.