MLAMLモデルの開発
MLエンジニアがSageMakerの自動ハイパーパラメータチューニング（HPO）を100トライアル実行し、有望なパラメータ範囲をある程度特定しました。同じアルゴリズムとデータセットで引き続き50トライアルを追加し、前回の探索で蓄積したベイズモデルを引き継いで新しいジョブの探索効率を高めたいと考えています。最も適切なアプローチはどれですか。
ASageMaker HPO の WarmStartConfig を設定して親ジョブの試行結果を引き継いだ子ジョブで追加チューニングを実行する
✓ 正解
SageMaker HPO の WarmStartConfig は完了済みの親ジョブの試行結果を子ジョブに継承する機能。IDENTICAL_DATA_AND_ALGORITHMタイプを指定することで100トライアルのベイズ最適化モデルが引き継がれ、追加50トライアルを有望領域に集中させて効率的に探索を継続できる。
B前回のジョブで最良だったパラメータ値を手動で確認してその周辺に絞った探索範囲を設定し全く新しいチューニングジョブを実行する
手動でパラメータ範囲を絞り込む方法は有望な領域をある程度絞れるが、前回100トライアルでベイズ最適化が構築した確率的探索モデルを引き継ぐことができない。新しいジョブは統計モデルをゼロから再構築することになりWarmStartConfigの探索効率向上効果は得られない。
CSageMaker Autopilot を新たに起動して全パイプラインを自動探索させ最適なモデルとパラメータを一から特定する
SageMaker AutopilotはAutoMLサービスであり特徴量エンジニアリング・アルゴリズム選択・ハイパーパラメータ最適化を全自動で行う。既に特定アルゴリズムを選定して前回のHPO探索知識を引き継ぎながら追加チューニングするという用途には設計されていない。
DAWS Lambda でランダムサーチを実装してパラメータをサンプリングし前回ジョブの未探索領域を重点的に調べる
AWS LambdaでのランダムサーチはSageMaker HPOのベイズ最適化や前回の試行結果を一切活用しない。ランダムサンプリングは系統的な探索効率が低く、前回100トライアルで蓄積した統計モデルの恩恵を受けられないためWarm Start機能の代替にはならない。
解説
SageMaker ハイパーパラメータチューニングのWarm Start機能（WarmStartConfig）は、完了済みのHPOジョブ（親ジョブ）の試行結果を子ジョブに引き継ぐ仕組みです。
WarmStartTypeには2種類あります：
①IDENTICAL_DATA_AND_ALGORITHM：同一データ・アルゴリズムで追加トライアルを継続（今回のシナリオ）
②TRANSFER_LEARNING：アルゴリズムやデータが変わっても親ジョブの探索知識を転用
ベイズ最適化の探索モデルが前回の100トライアルで初期化されるため、新しいジョブは有望なパラメータ空間に集中して効率よく探索を継続できます。
選択肢Bの手動パラメータ範囲の絞り込みは新しいジョブが前回のベイズモデルを引き継げず統計モデルのゼロリセットになるため探索効率向上の恩恵が得られない。
選択肢CのSageMaker Autopilotは全パイプラインの自動探索サービスであり特定アルゴリズムの追加HPOトライアルや既存ジョブ結果の継承には使用できない。
選択肢DのLambdaによるランダムサーチは前回の探索情報を一切活用できない非効率な方法であり、Warm Startの代替にはならない。
ドメイン別正答率・予想スコアでリアルタイムに実力把握
無限ノックでMLAを徹底対策。全問AI生成のオリジナル問題。
無料で演習を始める →