Un sito di e-commerce ospita un modello di raccomandazione di prodotti TensorFlow su un endpoint SageMaker utilizzando tre istanze ottimizzate per il calcolo per gestire il picco di traffico previsto. All'inizio di ogni mese, i tempi di risposta aumentano e alcuni utenti riscontrano errori. La maggior parte del traffico si verifica nei giorni feriali dalle 8:00 alle 18:00 in un singolo fuso orario. Quali due azioni risolvono il problema in modo più efficace riducendo al minimo i costi? (Scegli due.)

Abilitare gli acceleratori Amazon Elastic Inference (EI) migliora le prestazioni di inferenza per i modelli TensorFlow riducendo i costi, poiché si paga solo per l'accelerazione aggiuntiva necessaria, invece di istanze GPU complete. Questo può mitigare i problemi di latenza durante i picchi di traffico. Configurare l'autoscaling basato su InvocationsPerInstance permette all'endpoint di adattarsi dinamicamente al carico di lavoro, aggiungendo o rimuovendo istanze in base al numero di richieste per istanza. Questo assicura che ci siano sempre risorse sufficienti per gestire il traffico, evitando errori e rallentamenti, e ottimizzando i costi non mantenendo istanze inattive durante i periodi di basso traffico. Le altre opzioni sono meno efficaci: Creare una nuova configurazione con due varianti di produzione non risolve il problema delle prestazioni o del dimensionamento dinamico. Il deployment blue/green è per aggiornamenti senza interruzioni, non per la gestione del carico. I tipi di istanze burstable non sono adatti per carichi di lavoro prevedibilmente elevati e sostenuti.