FinPredict voert veel opeenvolgende trainingstaken uit met hetzelfde instancetype en wil de opstartlatentie verminderen. Ze overwegen om SageMaker Warm Pools in te schakelen om geprovisioneerde infrastructuur te hergebruiken voor verschillende taken. Welke bewering beschrijft correct wat warm pools bieden en een belangrijke beperking waarmee rekening moet worden gehouden?

Warm pools houden EC2-instances actief na een trainingstaak voor een configureerbare duur, waardoor de opstarttijd voor volgende taken met hetzelfde instancetype aanzienlijk wordt verkort. Dit is ideaal voor scenario's met veel opeenvolgende taken. De belangrijkste beperking is dat warm pools alleen de infrastructuur hergebruiken; ze bewaren niet automatisch de inhoud van de /opt/ml-directory of het containerbestandssysteem. U moet nog steeds checkpoints en artefacten opslaan in S3 of een persistent volume om ze tussen taken te hergebruiken. De andere opties zijn onjuist omdat warm pools het bestandssysteem niet automatisch behouden, ze zijn specifiek voor instancetypen en beschikbaarheidszones, en ze zijn beschikbaar voor zowel on-demand als spot-trainingstaken.