Specjalista ML ma niestandardowy obraz kontenera używany do trenowania klasyfikatora obrazów w Amazon SageMaker i chce porównać wyniki optymalizacji hiperparametrów (HPO) z tego niestandardowego obrazu z wynikami z wbudowanego algorytmu klasyfikacji obrazów SageMaker. Wszystkie eksperymenty i zadania HPO muszą być uruchamiane ze skryptów w notebookach SageMaker Studio. Które podejście pozwoli specjaliście zrobić to w najkrótszym czasie?

Prawidłowa odpowiedź jest najszybszym podejściem, ponieważ wykorzystuje SageMaker Experiments do zarządzania wieloma zadaniami treningowymi dla niestandardowego kontenera. SageMaker Experiments jest przeznaczony do śledzenia, porównywania i organizowania eksperymentów ML, co jest idealne do strojenia niestandardowego modelu. Użycie automatycznego strojenia modelu SageMaker (HPO) dla wbudowanego algorytmu jest standardowym i efektywnym sposobem na optymalizację jego hiperparametrów. Pierwsza opcja jest nieefektywna, ponieważ ręczne pisanie niestandardowego skryptu HPO i uruchamianie zadań w trybie lokalnym wymagałoby znacznie więcej czasu i wysiłku niż korzystanie z wbudowanych funkcji SageMaker. Druga opcja jest nieprawidłowa, ponieważ SageMaker Autopilot jest przeznaczony do automatycznego tworzenia modeli ML, a nie do strojenia niestandardowych kontenerów. Czwarta opcja jest nieprawidłowa, ponieważ automatyczne strojenie modelu SageMaker nie może jednocześnie stroić niestandardowego kontenera i wbudowanego algorytmu w ramach jednego zadania HPO. Musiałyby to być oddzielne zadania.