自動運転車両チームは、PyTorchとSageMaker SDKを使用して転移学習を行っています。低レイテンシーの自動運転ユースケースのために、推論時間を短縮する必要があります。モデル推論のパフォーマンスを分析および改善するために、どのプロセスを使用すべきですか？

正解は、SageMaker Debuggerを使用してモデルのパフォーマンスを分析し、プルーニングによって推論時間を短縮するプロセスを説明しています。SageMaker Debuggerは、トレーニング中のモデルの内部状態（重み、勾配、バイアス、活性化など）を検査し、パフォーマンスのボトルネックを特定するのに役立ちます。この情報からフィルターランクを計算し、重要度の低いフィルターをプルーニングすることで、モデルのサイズと計算負荷を減らし、推論レイテンシーを大幅に改善できます。プルーニングされたモデルで再トレーニングを行うことで、精度を維持しつつ高速化が可能です。 不正解の選択肢は、CloudWatchのアルゴリズムメトリクスやSageMaker Model Monitorの使用を提案していますが、これらはモデルの内部状態の検査やプルーニングには直接対応していません。また、ハイパーパラメータの調整は推論時間の改善に寄与する可能性はありますが、モデルの構造自体を最適化するプルーニングほど効果的ではない場合があります。