Une équipe dispose d'un script d'entraînement TensorFlow qu'elle exécute actuellement en local et souhaite l'entraîner sur SageMaker de la manière la plus rentable possible. Quelle configuration d'estimateur TensorFlow réduira le plus les coûts d'entraînement tout en utilisant le script existant ?

L'option correcte combine deux stratégies de réduction des coûts. L'activation de SageMaker Training Compiler (compilerconfig=TrainingCompilerConfig()) optimise le code d'entraînement pour une exécution plus rapide et plus efficace sur les instances GPU, ce qui réduit la durée totale de l'entraînement et donc les coûts. L'utilisation des instances Spot gérées (usespotinstances=True) permet de tirer parti de la capacité AWS inutilisée à un coût considérablement réduit, avec la gestion des interruptions par SageMaker. Ensemble, ces deux éléments offrent la solution la plus rentable pour un script TensorFlow existant. Les autres options sont moins optimales : Activer uniquement SageMaker Training Compiler est bénéfique mais ne tire pas parti des économies supplémentaires des instances Spot. Modifier le script pour le parallélisme distribué est une tâche de développement qui annule l'objectif d'utiliser le "script existant" et n'est pas nécessairement la méthode la plus rentable si le script n'est pas déjà optimisé pour cela. Définir MaxWaitTimeInSeconds égal à MaxRuntimeInSeconds n'est pas une stratégie de réduction des coûts en soi ; cela contrôle la durée pendant laquelle SageMaker attend qu'une instance Spot devienne disponible, mais ne réduit pas directement le coût par heure d'entraînement.