Inżynier ML użył optymalizacji bayesowskiej w SageMaker do strojenia hiperparametrów i zoptymalizował pod kątem precyzji. Teraz chce zoptymalizować pod kątem recall i rozszerzyć zakres wyszukiwania dla niektórych hiperparametrów, włączając poprzedni zakres. Które podejście zakończy nowe zadanie strojenia w najkrótszym czasie?

Ciepły start (warm-start) to najszybsze podejście, ponieważ pozwala na ponowne wykorzystanie wiedzy z poprzedniego zadania strojenia. System nie musi zaczynać od zera; zamiast tego wykorzystuje już zebrane dane o hiperparametrach i ich wynikach, aby szybciej znaleźć optymalne konfiguracje dla nowej metryki (recall) i rozszerzonego zakresu. Checkpointing służy do wznowienia przerwanych treningów, a nie do przyspieszenia nowego zadania strojenia z nowymi celami. Użycie tego samego ziarna losowego zapewnia powtarzalność, ale nie przyspiesza procesu optymalizacji. Równoległe uruchamianie wielu zadań strojenia zwiększa zużycie zasobów i może być szybsze w sensie całkowitego czasu wykonania, ale nie wykorzystuje wcześniejszej wiedzy w taki sam efektywny sposób jak ciepły start.