Bonne réponse
Explication
Pipeline caching est le bon choix car SageMaker Pipelines peut mettre en cache les sorties de chaque étape sur la base d'un hachage des paramètres d'entrée, de la configuration et du code de l'étape. Si le hachage correspond à une exécution réussie précédente, la sortie mise en cache est réutilisée, évitant ainsi l'exécution redondante des étapes de traitement des données lorsque les données sous-jacentes n'ont pas changé.
Pour aller plus loin
La mise en cache de SageMaker Pipelines stocke les sorties d'une étape achevée indexées par un hachage des entrées, du code et de la configuration de l'étape. Lors d'une exécution ultérieure, si ce hachage correspond, l'étape est ignorée et ses artefacts mis en cache sont réutilisés, ce qui économise du temps de calcul et des coûts. La mise en cache est activée par étape via la propriété CacheConfig avec une durée de vie en secondes, après quoi l'entrée du cache expire et l'étape s'exécute à nouveau. Dans un pipeline de réentraînement réaliste, l'étape de prétraitement lit un ensemble de données qui n'a pas changé, de sorte que son succès de cache évite de réexécuter des tâches Spark coûteuses, tandis que l'étape d'entraînement s'exécute toujours car ses hyperparamètres ont changé. Les exécutions paramétrées et le parallélisme des étapes affectent l'orchestration mais n'ignorent pas le travail inchangé.
À propos de ces questions d'entraînement
Cette question fait partie des questions d'entraînement MLA-C01 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.
Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.