Durante lo sviluppo, un data scientist utilizza un notebook cloud per eseguire attività leggere di feature engineering durante l'orario lavorativo. Un data engineer utilizza lo stesso notebook circa una volta al giorno per eseguire un pre-processing intensivo e ad alto consumo di memoria (circa 2 ore); il pre-processing non utilizza GPU. Attualmente, entrambi vengono eseguiti su un'istanza notebook ml.m5.4xlarge per uso generico. Il budget AWS mensile è stato superato. Quale modifica produrrà il maggiore risparmio sui costi?

La risposta corretta massimizza il risparmio sui costi. Il feature engineering leggero può essere eseguito su un'istanza notebook più piccola, riducendo i costi orari per la maggior parte del tempo. Spegnere il notebook quando è inattivo elimina i costi di inattività. Il pre-processing intensivo e ad alto consumo di memoria viene spostato su un job di elaborazione gestito su un'istanza r5 ottimizzata per la memoria. Questo è più economico perché i job di elaborazione gestiti sono più efficienti per carichi di lavoro batch e un'istanza r5 è ottimizzata per la memoria, non per la GPU, il che è appropriato dato che il pre-processing non usa GPU. Le opzioni errate non sono altrettanto efficaci. La prima opzione mantiene un'istanza più grande del necessario per il feature engineering leggero. La seconda opzione suggerisce un'istanza accelerata da GPU, che è inutile e costosa dato che il pre-processing non usa GPU. La quarta opzione propone un'istanza riservata, che richiede un impegno a lungo termine e potrebbe non essere la soluzione più flessibile o economica per un job eseguito solo una volta al giorno.