Firma chce zmniejszyć zużycie energii i zasobów obliczeniowych wykorzystywanych przez zadania szkoleniowe, aby poprawić zrównoważony rozwój. Które działania zmniejszą zużycie energii i koszty obliczeniowe związane ze szkoleniem? (Wybierz dwie opcje.)

Użycie Amazon SageMaker Debugger do przerywania zadań szkoleniowych, gdy zostaną wykryte warunki braku konwergencji, jest skutecznym sposobem na zmniejszenie zużycia zasobów. Debugger monitoruje metryki szkoleniowe i może automatycznie zatrzymać zadanie, gdy model przestaje się uczyć lub wykazuje inne problemy, co zapobiega marnowaniu mocy obliczeniowej na bezużyteczne iteracje. Użycie instancji AWS Trainium do szkolenia jest również korzystne, ponieważ instancje Trainium są specjalnie zaprojektowane do przyspieszania szkolenia modeli głębokiego uczenia, co przekłada się na szybsze zakończenie zadań i mniejsze zużycie energii w przeliczeniu na pojedyncze zadanie. Amazon SageMaker Ground Truth służy do etykietowania danych, co jest etapem poprzedzającym szkolenie i nie wpływa bezpośrednio na zużycie zasobów podczas samego szkolenia. Wdrażanie modeli za pomocą AWS Lambda dotyczy etapu wnioskowania (inferencji), a nie szkolenia. Użycie PyTorch lub TensorFlow z włączonym szkoleniem rozproszonym może przyspieszyć szkolenie, ale niekoniecznie zmniejszy całkowite zużycie energii, ponieważ często wymaga większej liczby zasobów obliczeniowych.