ShopScale 在一個 Experiment 下執行數十個 SageMaker 訓練任務（使用內建 XGBoost 的 script mode）。每個訓練任務都會在每個 epoch 將指標 'validation:accuracy' 記錄到 TrialComponent 中。ML 團隊需要一份自動化的程式化報告，用於比較 Experiment 中所有 trial components 在 epoch 10 的 validation:accuracy，以選出最佳執行進行部署。哪種方法能以最直接、程式化的方式彙總這些執行中的指標？

正確答案是使用 SageMaker Experiments Python SDK 的 TrialComponentAnalytics。SageMaker Experiments 專為追蹤和管理機器學習實驗而設計，TrialComponentAnalytics 提供了直接且程式化的方式來查詢、過濾和分析實驗中的指標，包括特定 epoch 的指標。這能有效率地比較所有 trial components 在 epoch 10 的 validation:accuracy。 直接查詢 CloudWatch Metrics 雖然可行，但需要手動將指標與 Trial Components 關聯，過程繁瑣且容易出錯。將日誌匯出到 S3 並使用 Glue ETL 任務則過於複雜，且不是 SageMaker Experiments 的設計用途。SageMaker Model Monitor 主要用於監控已部署模型的效能漂移，而非比較訓練階段的實驗指標。