Une entreprise de véhicules autonomes a entraîné des modèles de détection d'objets avec l'apprentissage par transfert en utilisant PyTorch dans SageMaker. Les véhicules ont des ressources de calcul et une batterie limitées ; l'entreprise doit réduire la taille et le temps d'exécution du modèle sans nuire substantiellement à la précision. Quelle approche améliorera l'efficacité de calcul du modèle ?

L'option correcte est d'utiliser Amazon SageMaker Debugger pour l'élagage de modèle. SageMaker Debugger permet d'inspecter les tenseurs internes (poids, gradients, biais, activations) pendant l'entraînement. Ces informations sont cruciales pour identifier les filtres de faible importance qui peuvent être élagués sans dégrader significativement la précision, réduisant ainsi la taille et le temps d'exécution du modèle. Après l'élagage, une mise à jour des poids et un réentraînement sont nécessaires pour optimiser le modèle élagué. Les autres options sont incorrectes car : L'utilisation de CloudWatch pour inspecter les poids, etc., n'est pas sa fonction principale ; SageMaker Debugger est l'outil approprié pour cette tâche. L'ajout de plus de données via SageMaker Ground Truth augmenterait potentiellement la précision mais ne réduirait pas la taille ou le temps d'exécution du modèle ; au contraire, cela pourrait les augmenter. SageMaker Model Monitor est utilisé pour la surveillance post-déploiement et ne contribue pas directement à la réduction de la taille du modèle ou à l'amélioration de l'efficacité de calcul par l'élagage. L'augmentation du taux d'apprentissage n'est pas une stratégie pour réduire la taille du modèle.