Un especialista en ML entrena un modelo de pronóstico DeepAR en instancias bajo demanda de EC2 basadas en CPU y el entrenamiento lleva muchas horas. ¿Qué dos acciones reducirán el tiempo total de entrenamiento? (Elige dos).

DeepAR es un modelo de pronóstico que puede beneficiarse significativamente de la aceleración de hardware. Reemplazar las instancias EC2 basadas en CPU por instancias EC2 basadas en GPU (opción 3) es una solución eficaz porque las GPU son excelentes para el procesamiento paralelo masivo requerido por las redes neuronales profundas, lo que reduce drásticamente el tiempo de entrenamiento. Entrenar usando múltiples instancias en paralelo (opción 4) también acelera el proceso al distribuir la carga de trabajo, permitiendo que el modelo aprenda más rápido. Cambiar a Spot Instances (opción 1) solo reduce el costo, no el tiempo de entrenamiento. Habilitar el autoescalado (opción 2) es para la inferencia o la capacidad de servicio, no para acelerar un único trabajo de entrenamiento. Comenzar con un modelo preentrenado (opción 5) es una técnica de optimización del entrenamiento, pero no es una acción directa para reducir el tiempo de entrenamiento de un modelo DeepAR desde cero en este contexto.