Um especialista em ML treina um modelo de previsão DeepAR em instâncias EC2 On-Demand baseadas em CPU, e o treinamento leva muitas horas. Quais duas ações reduzirão o tempo total de treinamento? (Escolha duas.)

Substituir instâncias EC2 baseadas em CPU por instâncias EC2 baseadas em GPU é correto porque GPUs são projetadas para computação paralela intensiva, o que é altamente benéfico para o treinamento de modelos de deep learning como o DeepAR, acelerando significativamente o processo. Treinar usando múltiplas instâncias em paralelo é correto porque permite distribuir a carga de trabalho de treinamento entre várias máquinas, reduzindo o tempo total necessário para completar o treinamento, especialmente para grandes conjuntos de dados ou modelos complexos. Trocar instâncias On-Demand por Spot Instances não reduz o tempo de treinamento, apenas o custo. Habilitar o auto scaling automático do modelo é para inferência, não para treinamento, e não reduz o tempo de treinamento. Começar de um modelo pré-treinado e realizar treinamento incremental pode reduzir o tempo se houver um modelo pré-treinado relevante, mas não é uma otimização direta do processo de treinamento em si, e a questão não indica a disponibilidade de tal modelo.