Verwaltetes MLflow auf SageMaker AI: Erst den Validierungsstand abgleichen
Ein fiktiver Paketklassifikator zeigt, ob andere Teammitglieder vergleichbare Läufe erkennen.
Goze listet die Gesamtplattform Amazon SageMaker. Hier geht es um die Modellentwicklung in SageMaker AI. AWS stellte 2024 verwaltetes MLflow bereit; pro Lauf lassen sich Parameter, Metriken, Tags und Artefaktorte erfassen. Auch ein sauber protokollierter Wert ist nicht vergleichbar, wenn sich die Validierung verändert hat.

Abb. 1. Eigene Prüfgrafik, kein Konsolenbild. Beide Läufe brauchen zuerst denselben Maßstab.
Paketgrößen als Übergabeaufgabe
Nutzen Sie nur künstliche Paketmaße und die Klassen kleine oder große Schachtel für eine lokale Trockenübung. A und B bekommen denselben eingefrorenen Validierungssnapshot V1, dieselbe Aufteilung, Metrik und Einheit. Prüfen Sie, ob der Vergleich aus den Aufzeichnungen rekonstruierbar ist. Wechseln Sie B auf V2: Selbst ein höherer Wert ist dann nicht direkt vergleichbar. Notieren Sie Snapshot-ID oder Hash, Aufteilung, Skriptversion, Metrikdefinition und Artefaktort. Diese Angaben erfasst Ihr Team; AWS friert nicht automatisch alle Eingaben ein.
Eine zweite Person soll anhand der Unterlagen Skript und Snapshot finden und das vergleichbare Paar bestimmen. Testen Sie auch lokales MLflow oder eine versionierte Experimenttabelle. Wenn wenige Versuche lokal gut übertragbar sind, bleiben Sie dabei. Geht im Team wiederholt Kontext verloren, vergleichen Sie verwaltete Nachverfolgung und Betriebskosten. Kalkulieren Sie Verfolgung, Artefaktspeicher und Rechenleistung getrennt; diese Übung legt keine Ressourcen an.
Hinweis zum Inhalt:Dieser Artikel basiert auf öffentlich verfügbaren Informationen und dient als Orientierung bei der Auswahl von Tools. Funktionen, Preise und zugehörige Richtlinien können sich jederzeit ändern; maßgeblich sind die aktuellen offiziellen Angaben.
Originalquelle:docs.aws.amazon.com