ML チームが数週間にわたって画像分類モデルの改善を繰り返しています。ResNet50・EfficientNet-B3・ViT（Vision Transformer：画像をパッチに分割して Transformer で処理するアーキテクチャ）の 3 種類と各種ハイパーパラメータを組み合わせた結果、どの設定がどの精度・損失を達成したかの把握と再現性の確保が困難になっています。実験の追跡・比較・再現性確保に最も適切な SageMaker の機能はどれですか？
SageMaker Experiments は Experiment → Run の階層構造でトレーニングジョブを整理し、ハイパーパラメータ・評価メトリクス・アーティファクト（成果物）を自動記録します。SageMaker Studio UI 上で複数の Run を並べて比較でき、任意の Run を完全に再現することも可能です。 選択肢AのSageMaker Model Registry は承認済みモデルの本番バージョン管理と承認ワークフローに使用されます。実験ごとのハイパーパラメータ・メトリクスの追跡機能はありません。 選択肢BのSageMaker Pipelines は ML ワークフローを DAG として定義し自動化するサービスであり、実験管理には適していません。 選択肢CのSageMaker Experiments はハイパーパラメータ・メトリクス・アーティファクトを自動記録し、複数の Run を UI 上で比較・再現できるため、このユースケースに最も適しています。 選択肢DのSageMaker Autopilot は AutoML に特化したサービスであり、手動実験の追跡・比較・再現性確保には適していません。