一個電商網站使用三個運算最佳化實例，在 SageMaker 端點上託管 TensorFlow 產品推薦模型，以處理預期的尖峰流量。每個月初，回應時間都會飆升，部分使用者會看到錯誤。大多數流量發生在單一時區的平日上午 8 點到下午 6 點。哪兩個動作能最有效地解決問題，同時將成本降到最低？(請選擇兩項)

啟用 Amazon Elastic Inference (EI) 加速器可以提高模型推論效能，減少延遲，同時比使用更大型的 GPU 實例成本更低，這有助於解決回應時間飆升的問題。設定端點以根據 InvocationsPerInstance 指標進行自動擴展，可以在流量尖峰時自動增加實例數量，確保服務可用性並減少錯誤，而在流量較低時自動縮減，從而有效控制成本。 建立包含兩個生產變體的全新端點配置雖然能提供冗餘，但並未直接解決效能問題，且可能增加成本。部署第二個實例池用於藍/綠模型部署主要用於無縫模型更新，與解決流量尖峰時的效能問題無直接關聯。重新配置端點以使用可突增實例類型（如 T 系列）通常適用於低基準使用率但偶爾需要突增效能的場景，對於持續高流量的尖峰可能不夠，且可能導致 CPU 積分耗盡。