Bir banka, yerleşik XGBoost algoritmasıyla SageMaker kullandı ve doğrulama doğruluğunu hedef olarak kullanarak Bayesyen otomatik hiperparametre ayarlama işi çalıştırdı. Dağıtılan modelin doğruluğu şu anda %75. Banka, ML uzmanına üretim doğruluğunu iyileştirmesi için bir gün süre verdi. Bu süre içinde modeli iyileştirmeye çalışmanın en hızlı yolu nedir?

Doğru cevap, mevcut en iyi modelden başlayarak hiperparametre ayarlamasını hızlandıran ve iyileştirmeyi hedefleyen bir SageMaker warm start hiperparametre ayarlama işi başlatmaktır. Bu yöntem, önceki ayarlama işinin sonuçlarını kullanır ve yeni bir işi sıfırdan başlatmaktan çok daha hızlı bir şekilde daha iyi bir model bulma olasılığını artırır, çünkü önceki işin bilgi birikiminden faydalanır. Artımlı eğitim, mevcut bir modelin ağırlıklarını kullanarak eğitime devam eder, ancak hiperparametre ayarlaması için uygun değildir. AUC veya F1 skoru gibi farklı bir hedef metrik kullanmak, modelin farklı bir yönünü optimize eder ve bu, mevcut doğruluk iyileştirmesi için en hızlı yol olmayabilir. Maksimum eğitim işi sayısını ikiye katlamak, daha iyi bir model bulma şansını artırsa da, bir gün gibi kısıtlı bir süre içinde tamamlanması zor olabilir.