Während der Entwicklung verwendet ein Data Scientist ein Cloud-Notebook, um während der Geschäftszeiten leichte Feature-Engineering-Aufgaben auszuführen. Ein Data Engineer verwendet dasselbe Notebook etwa einmal pro Tag, um speicherintensive Vorverarbeitung (ca. 2 Stunden) durchzuführen; die Vorverarbeitung verwendet keine GPUs. Derzeit laufen beide auf einer ml.m5.4xlarge Notebook-Instanz für allgemeine Zwecke. Das monatliche AWS-Budget wurde überschritten. Welche Änderung führt zu den größten Kosteneinsparungen?

Die Option ist korrekt, weil sie die Kosten optimiert, indem sie die Notebook-Instanz für leichte Feature-Engineering-Aufgaben verkleinert und die ressourcenintensive Vorverarbeitung auf einen dedizierten, verwalteten Verarbeitungsauftrag auslagert. Das Stoppen des Notebooks im Leerlauf reduziert die Kosten zusätzlich. Die Verwendung einer speicheroptimierten r5-Instanz für die Vorverarbeitung ist effizient, da keine GPUs benötigt werden und die Aufgabe speicherintensiv ist. Die erste Option ist falsch, da das Ausführen der speicherintensiven Vorverarbeitung auf einer durchgängig laufenden speicheroptimierten Notebook-Instanz teurer wäre als ein verwalteter Verarbeitungsauftrag. Die zweite Option ist falsch, da die Verwendung eines GPU-beschleunigten Instanztyps für die Vorverarbeitung unnötige Kosten verursacht, da die Aufgabe keine GPUs benötigt. Die vierte Option ist falsch, da die Verwendung einer reservierten Instanz für eine Aufgabe, die nur einmal täglich für zwei Stunden läuft, nicht kosteneffizient ist und On-Demand-Instanzen besser geeignet wären.