Компания хочет сократить потребление энергии и вычислительных ресурсов, используемых ее обучающими заданиями, для повышения устойчивости. Какие действия позволят снизить энергопотребление и вычислительные затраты, связанные с обучением? (Выберите два варианта)

Использование Amazon SageMaker Debugger для завершения обучающих заданий при обнаружении условий неконвергенции сокращает потребление энергии и вычислительных ресурсов, предотвращая бесполезное продолжение обучения модели, которая не сходится. Это экономит время и ресурсы, которые были бы потрачены на неэффективные итерации. Использование инстансов AWS Trainium для обучения является правильным, поскольку Trainium — это специализированные ускорители машинного обучения, разработанные AWS для высокопроизводительного и энергоэффективного обучения глубоких нейронных сетей. Они обеспечивают более быстрое обучение при меньшем энергопотреблении по сравнению с универсальными GPU. Amazon SageMaker Ground Truth предназначен для разметки данных, а не для снижения затрат на обучение. Развертывание моделей с использованием функций AWS Lambda относится к инференсу, а не к обучению. Использование PyTorch или TensorFlow с распределенным обучением может ускорить обучение, но само по себе не гарантирует снижение общего энергопотребления или вычислительных затрат, а может даже увеличить их из-за координации между узлами.