Een e-commerce site host een TensorFlow productaanbevelingsmodel op een SageMaker endpoint met drie voor computing geoptimaliseerde instances om de verwachte piektrafiek te verwerken. Aan het begin van elke maand schieten de responstijden omhoog en zien sommige gebruikers fouten. Het meeste verkeer vindt plaats op weekdagen van 8.00 uur tot 18.00 uur in één tijdzone. Welke twee acties lossen het probleem het meest effectief op en minimaliseren tegelijkertijd de kosten? (Kies er twee.)

Het inschakelen van Amazon Elastic Inference (EI) accelerators is effectief omdat TensorFlow-modellen vaak baat hebben bij versnelde inferentie, wat de responstijden verbetert zonder de noodzaak van duurdere, grotere GPU-instances. Dit minimaliseert de kosten. Het configureren van autoscaling op basis van de InvocationsPerInstance-metriek is cruciaal, omdat de pieken in het verkeer aan het begin van de maand en gedurende de weekdagen duiden op variabele belasting. Autoscaling zorgt ervoor dat het aantal instances dynamisch wordt aangepast aan de vraag, waardoor prestatieproblemen tijdens pieken worden voorkomen en kosten worden bespaard tijdens daluren. Een nieuwe endpointconfiguratie met twee productievarianten (A/B-testen) lost het prestatieprobleem niet op. Blue/green deployment is voor risicovrije updates, niet voor prestatieverbetering. Burstable instancetypes zijn niet geschikt voor consistente hoge belasting, wat tijdens piekuren wel het geval is.