機械学習（ML）エンジニアは、Amazon SageMakerでハイパーパラメータチューニングジョブにベイズ最適化を使用しています。MLエンジニアは、目標メトリクスとして適合率（precision）を使用していました。MLエンジニアは、目標メトリクスを再現率（recall）に変更したいと考えています。また、新しいハイパーパラメータチューニングジョブのためにハイパーパラメータの範囲を拡張したいと考えています。新しいハイパーパラメータの範囲には、以前に実行したチューニングジョブの範囲も含まれます。新しいハイパーパラメータチューニングジョブを最短時間で実行するアプローチはどれですか？
正解：A
Amazon SageMakerのウォームスタート（Warm Start）は、以前のハイパーパラメータチューニングジョブの結果を活用して新しいチューニングジョブを初期化する機能です。新しいジョブが前のジョブと同じアルゴリズムを使用し、ハイパーパラメータ範囲が以前の範囲を含む場合、ウォームスタートは過去の試行（評価済みのハイパーパラメータとそのメトリクス）を再利用し、ベイズ最適化の初期探索を効率化します。たとえ目標メトリクスがprecisionからrecallに変更されたとしても、過去のジョブのデータはモデルの性能に関する有用な情報を提供し、探索空間の収束を加速します。拡張されたハイパーパラメータ範囲もサポートされており、ウォームスタートは新しい範囲での探索を効率的に行います。このアプローチは、ゼロから始める場合に比べて計算時間を大幅に短縮し、要件である「最短時間」を満たします。AWSドキュメントでは、ウォームスタートがベイズ最適化の効率を向上させ、チューニング時間を短縮することが記載されています。
コメント