MLAMLモデルの開発
あるMLチームが、SageMaker上で画像分類用の大規模CNNモデルをトレーニングしています。エポック15以降、トレーニング損失は低下し続けていますが、検証損失が増加しはじめており、過学習の兆候が見られます。チームはこの状態を自動検出してジョブを早期停止し、コストを削減したいと考えています。最も適切な方法はどれですか？
ASageMaker Debuggerの組み込みルール（Overfitting）を設定し、条件が満たされた際にトレーニングジョブを停止するアクションを構成する
✓ 正解
SageMaker Debuggerの組み込みルール（Overfitting）設定とStopTrainingアクション構成により、過学習を自動検出して早期停止を実現でき、要件を満たすための最適ソリューションです。
BCloudWatch アラームでトレーニングメトリクスを監視し、Lambda 関数をトリガーしてトレーニングジョブを停止する
CloudWatch＋Lambda組み合わせも機能しますが、Debuggerより実装コストが高く複雑であり、Debuggerのテンソルキャプチャ機能の利点を活かせません。
Cトレーニングスクリプト内にカスタムコールバックを実装し、エポックごとに検証損失をチェックして手動で停止判断を行う
トレーニングスクリプト内のカスタムコールバックは手動で停止判断を行う設計であり、自動検出・自動停止の要件を満たしません。
DSageMaker Automatic Model Tuning（自動モデルチューニング）を有効にし、早期停止オプションを設定する
Automatic Model Tuningの早期停止はハイパーパラメータ探索時の低性能トライアル打ち切りが目的で、単一ジョブの過学習検出とは用途が異なります。
解説
正解：
A. SageMaker Debuggerの組み込みルール（Overfitting）を設定し、条件が満たされた際にトレーニングジョブを停止するアクションを構成する。
SageMaker Debugger は、トレーニング中のテンソルを自動キャプチャし、組み込みルール（Overfitting など）で問題を検出します。ルール違反時に StopTraining アクションを設定することで、過学習の自動検出と早期停止が実現できます。CloudWatch＋Lambda の組み合わせも機能しますが、Debugger より実装コストが高く複雑です。トレーニングスクリプト内のカスタムコールバックは「手動で停止判断を行う」設計であり、自動検出・自動停止の要件を満たしません。Automatic Model Tuning の早期停止はハイパーパラメータ探索時に低性能なトライアルを打ち切ることを目的とするもので、単一ジョブの過学習検出とは用途が異なります。
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 →