Publicado: Aug 9, 2022
Agora, o Amazon SageMaker Automatic Model Tuning oferece suporte à especificação de vários tipos alternativos de instâncias de treinamento do SageMaker para proporcionar trabalhos de ajuste mais robustos quando o tipo de instâncias preferencial não está disponível devido à capacidade insuficiente.
O SageMaker Automatic Model Tuning encontra a melhor versão de um modelo executando vários trabalhos de treinamento no conjunto de dados, usando os intervalos específicos de hiperparâmetros fornecidos para o algoritmo. Em seguida, ele seleciona os valores ideais para os hiperparâmetros, resultando em um modelo que apresenta a melhor performance para a métrica escolhida.
Antes, quando criava trabalhos do SageMaker Automatic Model Tuning, você podia definir apenas um tipo de instância de treinamento do SageMaker. Se a capacidade desse tipo de instância fosse baixa, você enfrentava um maior tempo de execução do trabalho e alta probabilidade de falha nos trabalhos de ajuste. Esse problema era particularmente indesejável devido à execução de vários trabalhos de treinamento, possivelmente de longa duração, necessária para os ajustes de hiperparâmetros. Em caso de falha, todos os trabalhos precisavam ser reiniciados do zero. Com este lançamento, você já pode especificar até cinco tipos de instância alternativa adicionais, em ordem de preferência. Dessa forma, o trabalho de ajuste de hiperparâmetros pode fazer fallback para o próximo tipo de instância alternativo quando a capacidade é insuficiente. Esse recurso torna os trabalhos resilientes a cenários de capacidade insuficiente e permite ajustar os modelos sem aumento ou falha de tempo de execução motivada pela baixa disponibilidade de algumas instâncias de treinamento específicas do SageMaker.
A capacidade de especificar vários tipos de instância alternativos no SageMaker Automatic Model Tuning já está disponível em todas as regiões comerciais da AWS. Para saber mais, leia o guia de referência da API e a documentação técnica.