Медицинская компания будет выполнять сотни итераций обучения со множеством признаков, алгоритмов и гиперпараметров и должна записывать характеристики и результаты каждого запуска. Какое решение обеспечивает такое отслеживание с наименьшими усилиями по реализации?

SageMaker Experiments — это специализированный инструмент для отслеживания и управления итерациями машинного обучения, включая признаки, алгоритмы, гиперпараметры и результаты. Он разработан для автоматического сбора и организации этой информации с минимальными усилиями по реализации, что делает его идеальным для сценария с сотнями итераций. Amazon CloudWatch предназначен для мониторинга метрик и логов, но не для структурированного отслеживания экспериментов ML. Создание пользовательских метрик для каждого аспекта эксперимента было бы трудоемким и неэффективным. Запись деталей в логи S3 с последующим использованием AWS Glue и Athena является возможным решением, но требует значительно больше усилий по реализации для настройки ETL-процессов и запросов по сравнению с готовым решением SageMaker Experiments. SageMaker Model Registry предназначен для управления версиями и развертыванием обученных моделей, а не для отслеживания отдельных итераций обучения.