解説

ハイパーパラメータチューニング（HPO: Hyperparameter Optimization）ジョブは、学習率・バッチサイズ・木の深さといったハイパーパラメータの最適な組み合わせを自動で探索するために実行します。Amazon SageMakerではBayesian最適化やランダム探索などの戦略が利用でき、評価指標（検証精度など）が最も良くなるパラメータ設定を効率的に発見できます。 選択肢Aは、学習データの暗号化はAWS KMSやS3のサーバーサイド暗号化（SSE）によって実施するデータセキュリティの工程です。ハイパーパラメータチューニングとは目的も実施タイミングも全く異なります。 選択肢Bは、複数のトレーニングジョブを並列実行し、評価指標が最も良くなるハイパーパラメータの組み合わせを発見することがチューニングジョブ本来の目的です。 選択肢Cは、推論エンドポイントの作成はSageMakerのCreate Endpoint機能で行われるもので、トレーニング・チューニング完了後のデプロイフェーズの作業です。ハイパーパラメータチューニングとは別の工程です。 選択肢Dは、特徴量の自動生成はSageMaker AutopilotやFeature Engineeringパイプラインで実施するデータ前処理フェーズの作業であり、ハイパーパラメータチューニングとは役割が異なります。