Специалист по машинному обучению подготавливает данные с помощью задания PySpark, которое включает сложные оконные агрегации. Он хочет проверить, как различные количества признаков и размеры выборки влияют на производительность модели. Какой подход позволяет записывать параметры преобразования и результаты, чтобы можно было оценивать и сравнивать варианты подготовки данных?

Правильный ответ — использование трекера Amazon SageMaker Experiments в скрипте для записи ключевых параметров и запуск скрипта как задания SageMaker processing. SageMaker Experiments позволяет отслеживать и сравнивать различные итерации обработки данных и обучения моделей, включая параметры преобразований и результаты, что идеально подходит для оценки влияния признаков и размеров выборки. SageMaker Processing Job — это подходящий сервис для выполнения заданий PySpark, не связанных с обучением. Остальные варианты не подходят: SageMaker Debugger предназначен для мониторинга использования ресурсов и выявления проблем во время обучения модели, а не для отслеживания параметров преобразования данных. Запуск скрипта как задания AWS Glue возможен, но AWS Glue не предоставляет встроенных инструментов для отслеживания экспериментов, аналогичных SageMaker Experiments.