Una empresa quiere reducir el consumo de energía y los recursos de cómputo utilizados por sus trabajos de entrenamiento para mejorar la sostenibilidad. ¿Qué acciones disminuirán el uso de energía y el costo computacional asociados con el entrenamiento? (Elija dos)

Usar Amazon SageMaker Debugger para terminar los trabajos de entrenamiento cuando se detecten condiciones de no convergencia reduce el consumo de energía y los recursos al evitar que los trabajos ineficientes o fallidos continúen ejecutándose innecesariamente. Usar instancias de AWS Trainium para el entrenamiento es una solución efectiva porque estas instancias están diseñadas específicamente para acelerar el entrenamiento de modelos de aprendizaje profundo, lo que significa que los trabajos se completan más rápido y con mayor eficiencia energética que en instancias de propósito general. Usar Amazon SageMaker Ground Truth para el etiquetado de datos no reduce el consumo de energía del entrenamiento, ya que es una herramienta de preprocesamiento. Implementar modelos usando funciones de AWS Lambda es para inferencia, no para entrenamiento. Usar PyTorch o TensorFlow con entrenamiento distribuido puede acelerar el entrenamiento, pero no necesariamente reduce el consumo total de energía si se utilizan más recursos en general.