Модель прогнозирования временных рядов, реализованная в TensorFlow, работает на одном GPU и ежедневно обучается около 23 часов. Команда ожидает роста обучающих данных и в будущем должна будет переобучать модель ежечасно, минимизируя изменения в коде и инфраструктуре. Какое изменение лучше всего позволит масштабировать обучение для будущего спроса?

Правильный ответ — использование Horovod с TensorFlow. Horovod — это фреймворк для распределенного обучения, который позволяет масштабировать существующий код TensorFlow на несколько GPU или машин с минимальными изменениями, что соответствует требованию минимизации изменений в коде и инфраструктуре. Это позволит переобучать модель ежечасно по мере роста данных. Оставление кода без изменений и переход на более мощный GPU не решит проблему масштабирования при экспоненциальном росте данных. Встроенная модель DeepAR может быть эффективной, но потребует значительных изменений в коде и архитектуре, что противоречит условию. Перенос в Amazon EMR также повлечет за собой существенные изменения в коде и инфраструктуре, поскольку EMR предназначен для обработки больших данных, а не для оптимизации распределенного обучения глубоких нейронных сетей с минимальными изменениями.