在開發期間，一位資料科學家在上班時間使用雲端筆記本執行輕量的特徵工程任務。一位資料工程師大約每天使用相同的筆記本一次，執行記憶體密集型的前置處理（約 2 小時）；前置處理不使用 GPU。目前兩者都在通用的 ml.m5.4xlarge 筆記本實例上執行。AWS 每月預算已超出。哪項變更將產生最大的成本節約？

正確答案透過將輕量級任務移至較小的筆記本實例來降低成本，並在閒置時停止筆記本，這可避免不必要的執行時間費用。對於記憶體密集型前置處理，使用託管處理任務（例如 Amazon SageMaker Processing Job）搭配記憶體優化 r5 實例，可確保只在需要時才為該任務付費，並提供高效能。 選項「將筆記本切換到與目前實例具有相同 vCPU 數量的記憶體優化實例，在閒置時停止筆記本，並在那裡執行前置處理和特徵工程」不夠優化，因為它仍為輕量級特徵工程任務使用相對較大的實例。 選項「保留現有的實例類型，在閒置時停止筆記本，並透過具有等效記憶體的託管處理任務，在 GPU 加速的實例類型上執行資料前置處理」不正確，因為前置處理不使用 GPU，因此使用 GPU 加速實例會增加不必要的成本。 選項「將筆記本變更為較小的通用實例，在閒置時停止它，並在具有等效記憶體的預留記憶體優化實例上執行資料前置處理」不正確，因為預留實例通常用於長期、可預測的工作負載，而這裡的前置處理是每天一次的短期任務，不適合預留實例的成本效益模型。