一家地理空間公司將每日衛星影像儲存在 Amazon S3 中，用於船隻偵測。訓練資料逐漸增加，而一個使用單一 ml.p2.xlarge 實例並以 File 輸入模式執行的 SageMaker 訓練任務最近開始失敗，原因是本地儲存空間不足；唯一的變化是資料量增加。該解決方案必須解決儲存問題，同時優化效能並最小化訓練成本。ML 專家應該做什麼改變？

正確答案是將訓練配置更改為使用 Pipe 輸入模式。Pipe 模式會將資料直接從 S3 串流到 SageMaker 訓練實例，而不是先將整個資料集下載到實例的本地儲存空間。這解決了本地儲存空間不足的問題，因為資料不會完全儲存在本地，同時也能提升效能，因為訓練可以立即開始處理資料，而無需等待下載完成。 錯誤選項分析： 使用兩個 ml.p2.xlarge 實例：這會增加運算能力，但不會解決本地儲存空間不足的問題，因為每個實例仍然需要下載資料，且成本會增加。 使用單一 ml.p3.2xlarge 實例：p3 實例提供更強大的 GPU，但同樣無法解決本地儲存空間不足的問題，且成本更高。 使用 Amazon EFS 而非 Amazon S3：EFS 是一種網路檔案系統，可以提供共享儲存，但其存取延遲通常高於 S3，且與 SageMaker 的整合不如 S3 搭配 Pipe 模式直接高效，成本也可能更高。