Question #: 201 Topic #: 1

자율 주행차에서 컴퓨터 비전을 사용하는 자동차 회사입니다. 회사는 합성곱 신경망(CNN)에서 전이 학습을 사용하여 모델을 성공적으로 훈련시켰습니다. 모델은 Amazon SageMaker SDK를 사용하여 PyTorch로 훈련되었습니다. 회사는 자율 주행을 위해 필요한 낮은 대기 시간을 고려하여 추론 수행 시간을 줄이고자 합니다.

회사는 모델의 성능을 평가하고 향상시키기 위해 어떤 솔루션을 사용해야 합니까?

• A. SageMaker 훈련 가중치, 경사도, 편향 및 활성화 출력에 대한 가시성을 위해 Amazon CloudWatch 알고리즘 지표를 사용합니다. 이 정보를 기반으로 필터 순위를 계산합니다. 낮은 순위 필터를 제거하기 위해 가지치기를 적용합니다. 새로운 가중치를 설정합니다. 가지치기된 모델로 새로운 훈련 작업을 실행합니다.
• B. SageMaker Debugger를 사용하여 훈련 가중치, 경사도, 편향 및 활성화 출력을 확인합니다. 모델 하이퍼파라미터를 조정하고 추론 시간을 줄이는 데 도움이 되는 값을 찾습니다. 새로운 훈련 작업을 실행합니다.
• C. SageMaker Debugger를 사용하여 훈련 가중치, 경사도, 편향 및 활성화 출력을 확인합니다. 이 정보를 기반으로 필터 순위를 계산합니다. 낮은 순위 필터를 제거하기 위해 가지치기를 적용합니다. 새로운 가중치를 설정합니다. 가지치기된 모델로 새로운 훈련 작업을 실행합니다.
• D. 모델이 배포된 후에 모델의 ModelLatency 지표와 OverheadLatency 지표를 확인하기 위해 SageMaker Model Monitor를 사용합니다. 모델 하이퍼파라미터를 조정하고 추론 시간을 줄이는 데 도움이 되는 값을 찾습니다. 새로운 훈련 작업을 실행합니다.

질문 #: 202 주제 #: 1

한 회사의 머신 러닝 (ML) 전문가는 Amazon SageMaker를 위한 확장 가능한 데이터 저장 솔루션을 설계하고 있습니다. 회사는 현재 TFRecord 형식으로 저장된 정적 훈련 데이터를 사용하는 기존 TensorFlow 기반 모델을 보유하고 있습니다.

ML 전문가는 개발 오버헤드를 최소화하기 위해 SageMaker에 훈련 데이터를 제공하기 위해 무엇을 해야 합니까?

• A. TFRecord 데이터를 Amazon S3 버킷에 넣습니다. 데이터를 protobuf 형식으로 다시 포맷팅하고 두 번째 S3 버킷에 데이터를 저장하기 위해 AWS Glue 또는 AWS Lambda를 사용합니다. SageMaker 훈련 호출을 두 번째 S3 버킷으로 지정합니다.
• B. train.py 스크립트를 수정하여 TFRecord 데이터를 protobuf 형식으로 변환하는 섹션을 추가합니다. SageMaker 훈련 호출을 데이터의 로컬 경로로 지정합니다. TFRecord 데이터 대신 protobuf 데이터를 적재합니다.
• C. SageMaker 스크립트 모드를 사용하고 train.py를 변경하지 않습니다. 훈련 데이터를 다시 포맷팅하지 않고 데이터의 로컬 경로를 SageMaker 훈련 호출로 지정합니다.
• D. SageMaker 스크립트 모드를 사용하고 train.py를 변경하지 않습니다. TFRecord 데이터를 Amazon S3 버킷에 넣습니다. 훈련 데이터를 다시 포맷팅하지 않고 SageMaker 훈련 호출을 S3 버킷으로 지정합니다.

질문 #: 203 주제 #: 1

전자 상거래 회사는 10,000개의 클래스로 대규모 이미지 분류 모델을 훈련하려고 합니다. 회사는 여러 모델 훈련 반복을 실행하며 운영 오버헤드와 비용을 최소화해야 합니다. 또한, 작업 손실과 모델 재훈련을 피해야 합니다.

이러한 요구 사항을 충족하는 솔루션은 무엇입니까?