Bir coğrafi uzamsal şirket, gemi tespiti için günlük uydu görüntülerini Amazon S3'te depolar. Eğitim verileri artımlı olarak büyümektedir ve File input modunda tek bir ml.p2.xlarge örneği kullanan bir SageMaker eğitim işi, yetersiz yerel depolama nedeniyle yakın zamanda başarısız olmaya başlamıştır; tek değişiklik daha fazla veri olmasıydı. Çözüm, depolama sorununu düzeltirken performansı optimize etmeli ve eğitim maliyetini en aza indirmelidir. ML uzmanı hangi değişikliği yapmalıdır?

Pipe input modu, eğitim verilerini doğrudan S3'ten akışla sağlar, bu da SageMaker örneğinin yerel depolama alanına indirme ihtiyacını ortadan kaldırır. Bu, artan veri hacimlerinden kaynaklanan depolama sorununu çözer ve verilerin indirilmesi için bekleme süresini ortadan kaldırarak performansı artırır. İki ml.p2.xlarge örneği kullanmak depolama sorununu çözmez, çünkü her örnek yine de verileri yerel olarak indirmeye çalışacaktır. ml.p3.2xlarge örneğine geçmek daha fazla depolama alanı sağlamaz, sadece daha güçlü bir GPU sunar. Amazon EFS kullanmak, SageMaker'ın S3 ile yerleşik entegrasyonu nedeniyle gereksiz karmaşıklık ve ek maliyet getirir ve Pipe modunun sağladığı performans avantajlarını sunmaz.