Une entreprise souhaite réduire la consommation d'énergie et les ressources de calcul utilisées par ses tâches d'entraînement afin d'améliorer la durabilité. Quelles actions permettront de diminuer la consommation d'énergie et le coût de calcul associés à l'entraînement ? (Choisissez-en deux.)

Amazon SageMaker Debugger permet de détecter et d'arrêter les tâches d'entraînement qui ne convergent pas ou qui présentent d'autres problèmes, évitant ainsi un gaspillage de ressources de calcul et d'énergie. Les instances AWS Trainium sont des accélérateurs d'apprentissage automatique conçus spécifiquement par AWS pour l'entraînement de modèles de deep learning, offrant une efficacité énergétique et un coût-performance supérieurs aux GPU génériques pour de nombreuses charges de travail. L'utilisation de SageMaker Ground Truth est pour l'étiquetage des données, pas pour l'entraînement. Le déploiement avec AWS Lambda concerne l'inférence, pas l'entraînement. L'entraînement distribué avec PyTorch ou TensorFlow peut accélérer l'entraînement, mais ne garantit pas une réduction de la consommation d'énergie par rapport à des instances optimisées ou à l'arrêt précoce de tâches inefficaces.