튜닝 구성을 자동 선택하는 SageMaker 자동 모델 튜닝

이제는 Amazon SageMaker 자동 모델 튜닝이 사용자가 제공하는 목표 지표를 기준으로 튜닝 작업의 하이퍼파라미터 범위, 검색 전략, 튜닝 작업의 최대 런타임, 훈련 작업 조기 중지 유형, 훈련 작업 재시도 횟수, 그리고 튜닝 작업을 중지하는 모델 수렴 플래그를 자동으로 선택할 수 있습니다. 따라서 튜닝 프로세스를 시작하는 데 걸리는 시간은 최소화하고 더 적은 예산으로 더욱 정확한 모델을 찾을 수 있는 가능성은 높일 수 있습니다.

올바른 하이퍼파라미터를 선택하려면 기계 학습 기술 사용 경험이 있어야 합니다. 적절한 하이퍼파라미터를 선택하면 모델 성능을 대폭 높일 수 있습니다. 하이퍼파라미터 튜닝을 사용하더라도 하이퍼파라미터 범위, 검색 전략, 실행할 훈련 작업 수 등의 여러 튜닝 구성을 지정해야 합니다. 이러한 설정을 수정하는 작업은 까다로우며 대개 실험을 여러 번 수행해야 하므로 훈련 비용이 추가로 발생할 수도 있습니다.

오늘부터 Amazon SageMaker 자동 모델 튜닝은 하이퍼파라미터 범위, 튜닝 전략, 작업 수(이전에는 작업 정의의 일부분으로 제공해야 했음) 등의 설정을 지정하지 않아도 되는 새로운 구성인 ‘자동 튜닝’을 제공합니다. 자동 튜닝을 사용하면 실험 프로세스를 빠르게 진행할 수 있으며 최적 상태가 아닌 튜닝 구성을 평가하는 데 낭비되는 리소스를 줄일 수 있습니다. 자동 튜닝에서 자동 선택된 설정을 검토하여 재정의할 수도 있습니다. 자동 튜닝 옵션은 CreateHyperParameterTuningJob API 및 HyperparameterTuner SageMaker Python SDK에서 제공됩니다.

새로운 기능은 이제 모든 상용AWS 리전에서 SageMaker 자동 모델 튜닝에 사용할 수 있습니다. 자세한 내용은 기술 설명서, API 참조 안내서, 블로그 게시물 또는 SageMaker 자동 모델 튜닝 웹 페이지를 참조하세요.