投稿日: Jun 6, 2023
Amazon SageMaker 自動モデルチューニングでは、指定した客観的なメトリクスに基づいて、ハイパーパラメータの範囲、検索戦略、チューニングジョブの最大ランタイム、トレーニングジョブの早期停止のタイプ、トレーニングジョブの再試行回数、チューニングジョブを停止するモデルコンバージェンスのフラグを自動的に選択できるようになりました。 これにより、チューニングプロセスの開始に必要な時間を最小限に抑え、より低予算でより正確なモデルを検出することができます。
正しいハイパーパラメータの選択には機械学習テクノロジーの経験が必要であり、モデルのパフォーマンスに大きな影響を与える可能性があります。ハイパーパラメータのチューニングを行った場合でも、ハイパーパラメータの範囲、検索戦略、起動するトレーニングジョブの数など、複数のチューニング設定を指定する必要があります。このような設定の修正は複雑で、通常は複数の実験が必要なため、追加のトレーニングコストが発生する可能性があります。
本日より、Amazon SageMaker 自動モデルチューニングでは、ハイパーパラメータの範囲、チューニング戦略、ジョブ定義の一部として必要なジョブ数などの特定の設定が不要になる、新しい自動調整機能が提供されます。これにより、実験プロセスを高速化でき、最適ではないチューニング設定の評価に費やされる無駄なリソースを削減することができます。また、自動調整によって自動的に選択された設定を確認し、上書きすることもできます。自動調整オプションは CreateHyperParameterTuningJob API および SageMaker Python SDK でのハイパーパラメータチューニングでご利用いただけます。
今回の SageMaker 自動モデルチューニングの新機能は、すべての商用 AWS リージョンでご利用いただけます。詳細については、テクニカルドキュメント、API リファレンスガイド、ブログ記事および SageMaker 自動モデルチューニングのウェブページを参照してください。