一家醫療公司將執行數百次訓練迭代，其中包含許多功能、演算法和超參數，並且必須記錄每次執行的特性和結果。哪種解決方案能以最少的實作工作量提供此追蹤？

SageMaker Experiments 專為追蹤、比較和分析機器學習實驗而設計，非常適合記錄每次訓練迭代的特性、組態和結果，且實作工作量最少。它會自動捕獲訓練任務的元資料，並允許使用者定義自訂指標。 Amazon CloudWatch 適用於監控應用程式和資源，但建立自訂指標來追蹤數百次迭代的詳細特性會很複雜且不切實際。將詳細資訊寫入 S3 日誌並使用 AWS Glue 和 Athena 查詢是可行的，但需要手動設定日誌結構和查詢，這比 SageMaker Experiments 的自動化追蹤更耗時。SageMaker Model Registry 主要用於管理模型版本和部署，而非追蹤實驗迭代的細節。