StreamSense ejecuta un barrido semanal de hiperparámetros que normalmente cuesta $12,000 para instancias ml.p3.2xlarge bajo demanda. Para reducir costos, habilitaron el entrenamiento gestionado de spot de SageMaker y configuraron el checkpointing y un max_wait_time 2 veces la duración del entrenamiento. El informe de costos del barrido muestra que la ejecución de spot gestionado facturó $1,200. Basándose en el comportamiento del spot gestionado de SageMaker, ¿qué porcentaje máximo de ahorro frente al costo original bajo demanda es más consistente con los ahorros potenciales del entrenamiento gestionado de spot de SageMaker?

El entrenamiento gestionado de spot de SageMaker puede ofrecer ahorros significativos en comparación con las instancias bajo demanda, a menudo hasta un 90%. Esto se debe a que utiliza instancias EC2 Spot, que son capacidad de cómputo de AWS no utilizada y que se ofrecen con grandes descuentos. La configuración de checkpointing y un maxwaittime adecuado son prácticas recomendadas que permiten que el entrenamiento se reanude después de una interrupción de spot, maximizando las posibilidades de completar el trabajo a un costo reducido. El ahorro del 90% (de $12,000 a $1,200) es un escenario realista para el entrenamiento gestionado de spot, mientras que los ahorros del 30%, 50% o 70% son posibles, pero no representan el potencial máximo de ahorro que esta característica puede ofrecer.