Ein Unternehmen möchte den Energieverbrauch und die von seinen Trainingsaufträgen genutzten Rechenressourcen reduzieren, um die Nachhaltigkeit zu verbessern. Welche Maßnahmen verringern den Energieverbrauch und die Rechenkosten, die mit dem Training verbunden sind? (Wählen Sie zwei.)

Die Verwendung von Amazon SageMaker Debugger zum Beenden von Trainingsaufträgen bei nicht konvergierenden Bedingungen spart Rechenressourcen, da unproduktive Trainingsläufe frühzeitig gestoppt werden. Dies reduziert sowohl den Energieverbrauch als auch die Kosten. AWS Trainium-Instanzen sind speziell für das Training von Deep-Learning-Modellen optimiert und bieten eine hohe Leistungseffizienz. Dies führt zu kürzeren Trainingszeiten und einem geringeren Energieverbrauch im Vergleich zu Allzweck-GPU-Instanzen, wodurch die Rechenkosten gesenkt werden. Amazon SageMaker Ground Truth ist ein Datenbeschriftungsdienst und hat keinen direkten Einfluss auf den Energieverbrauch oder die Rechenkosten des Modelltrainings. Die Bereitstellung von Modellen mit AWS Lambda-Funktionen betrifft die Inferenzphase, nicht das Training. Die Verwendung von PyTorch oder TensorFlow mit aktiviertem Distributed Training kann die Trainingszeit verkürzen, aber nicht unbedingt den gesamten Energieverbrauch oder die Kosten pro Modell senken, da mehr Ressourcen gleichzeitig genutzt werden.