Publicado en: Jun 6, 2023
El ajuste automático de modelos de Amazon SageMaker ahora puede elegir automáticamente los rangos de hiperparámetros, la estrategia de búsqueda, el tiempo de ejecución máximo de un trabajo de ajuste, el tipo de parada temprana para los trabajos de capacitación, la cantidad de veces para volver a intentar un trabajo de entrenamiento y el indicador de convergencia de modelos para detener un trabajo de ajuste, según la métrica objetiva que proporcione. Esto minimiza el tiempo necesario para iniciar el proceso de ajuste y aumenta las posibilidades de encontrar modelos más precisos con un presupuesto menor.
La elección de los hiperparámetros correctos requiere experiencia con técnicas de machine learning y puede afectar drásticamente al rendimiento del modelo. Incluso con el ajuste de hiperparámetros, es necesario especificar varias configuraciones de ajuste, como los rangos de hiperparámetros, la estrategia de búsqueda y la cantidad de trabajos de entrenamiento que se van a iniciar. Corregir un entorno de este tipo es complejo y, por lo general, requiere múltiples experimentos, lo que puede generar costos de capacitación adicionales.
A partir de hoy, el ajuste automático de modelos de Amazon SageMaker ofrece ajuste automático, una nueva configuración que elimina la necesidad de especificar ajustes como los rangos de hiperparámetros, la estrategia de ajuste o la cantidad de trabajos que se requerían como parte de la definición del trabajo. Esto acelera el proceso de experimentación y reduce el desperdicio de recursos en evaluaciones de configuraciones de ajuste subóptimas. También puede revisar y anular cualquier configuración elegida automáticamente mediante el ajuste automático. La opción de ajuste automático está disponible en la API CreateHyperParameterTuningJob y en el SDK de Python de SageMaker de HyperParameterTuner.
La nueva funcionalidad ya está disponible para el ajuste automático de modelos de SageMaker en todas las regiones comerciales de AWS. Para obtener más información, visite la documentación técnica, la guía de referencia de la API, la entrada del blog o la página web de ajuste automático de modelos de SageMaker.