Un spécialiste ML entraîne un modèle de prévision DeepAR sur des instances EC2 On-Demand basées sur CPU, et l'entraînement prend plusieurs heures. Quelles sont les deux actions qui réduiront le temps d'entraînement total ? (Choisissez-en deux.)

Remplacer les instances EC2 basées sur CPU par des instances EC2 basées sur GPU est correct car les GPU sont optimisés pour les calculs parallèles intensifs requis par les modèles de deep learning comme DeepAR, ce qui réduit considérablement le temps d'entraînement. Entraîner en utilisant plusieurs instances en parallèle (utiliser plus d'une instance d'entraînement) est également correct car cela permet de distribuer la charge de travail d'entraînement sur plusieurs machines, accélérant ainsi le processus global. Remplacer les instances On-Demand par des instances Spot ne réduit pas le temps d'entraînement ; cela réduit le coût. Activer la mise à l'échelle automatique du modèle est pertinent pour le déploiement et l'inférence, pas pour l'entraînement initial. Partir d'un modèle pré-entraîné et effectuer un entraînement incrémental peut réduire le temps d'entraînement si un modèle pertinent existe, mais ce n'est pas une solution générale pour DeepAR qui est souvent entraîné sur des données spécifiques.