Uma empresa de veículos autônomos treinou modelos de detecção de objetos com transfer learning usando PyTorch no SageMaker. Os veículos têm capacidade computacional e bateria limitadas; a empresa precisa reduzir o tamanho e o tempo de execução do modelo sem prejudicar substancialmente a precisão. Qual abordagem melhorará a eficiência computacional do modelo?

A opção correta é usar o Amazon SageMaker Debugger. Ele permite inspecionar tensores internos do modelo, como pesos, gradientes e ativações, durante o treinamento. A partir desses dados, é possível calcular a importância de filtros (ou neurônios) e remover aqueles de baixa importância (poda de modelo), o que reduz o tamanho e a complexidade do modelo, melhorando a eficiência computacional sem grande perda de precisão. As outras opções estão incorretas porque: Usar métricas do CloudWatch para inspecionar tensores não é a função primária do CloudWatch; o SageMaker Debugger é a ferramenta específica para isso. O SageMaker Ground Truth é para rotulagem de dados, não para otimização de modelo para eficiência computacional. Coletar mais dados aumentaria o tempo de treinamento, não a eficiência do modelo implantado. O SageMaker Model Monitor é para monitorar o desempenho do modelo após a implantação, não para otimizar o modelo durante o treinamento. Aumentar a taxa de aprendizado sem critério pode prejudicar o treinamento.