Amazon SageMaker Experiments 是 AWS 提供的一個專門用於機器學習模型實驗管理的工具，它可以幫助用戶系統性地追蹤、組織和分析機器學習訓練過程中的參數、指標、程式碼版本、資料集及輸出結果，提高模型開發的可重現性和協作效率。
主要功能與特點包括：• 實驗（Experiment）管理：將一組相關的訓練迭代（trial）匯聚在一起，構成一個實驗，用於解決特定的機器學習問題。
• Trial（試驗）管理：每個trial代表一次具體的數據科學工作流程迭代，例如改變模型架構、超參數調整等，一個trial包含多個trial components。
• Trial Components（試驗組件）：trial中的階段性步驟或組件，如資料預處理、模型訓練和後處理，每個組件可追蹤元資料、參數、輸入輸出檔案及指標。
• 自動追蹤與記錄：用戶可以自動記錄每次訓練中的參數設置、性能指標（例如準確率、損失函數值）和訓練結果，方便隨時回顧與比較不同訓練結果。
• 與SageMaker訓練整合：在配置訓練工作時通過 experiment_config 參數，將訓練作業鏈接到具體實驗和trial中，自動采集相關度量和元數據。
• 多樣化API與SDK支持：支持Python SDK操作，如 Experiment.create() 創建實驗、 Trial 和 TrialComponent 管理試驗及其組件，並可在SageMaker Studio UI中視覺化管理。
• 便利的團隊協作與實驗重現：實驗、trial和trial components可以打標籤、共享，便於團隊成員協同工作和重復實驗流程。
總結來說，Amazon SageMaker Experiments讓機器學習開發者能夠更有系統與條理地管理多次訓練實驗，追蹤詳細的超參數及性能結果，促進模型優化過程的透明化與協作，是提升ML模型開發效率的重要工具。
Amazon SageMaker Experiments 可以在封閉的VPC網路中執行，不需連上公共網路，但這需要用戶在配置VPC和網路環境時做設定和規劃。如果沒有特別配置，它會預設通過AWS的公共雲網路對外開放。
總結：此服務可支援封閉的私有網路（VPC僅限模式），亦可透過公共網路使用，網路環境可根據企業安全需求彈性調整設定。
