A. 훈련

B. GPU 주피터 노트북

C. 검증

D. CPU 전용 Jupyter 노트북

A. 검증 및 체크포인트 워크로드를 실행합니다.

B. GPU가 필요하지 않은 교육 워크로드를 실행합니다.

C. 컨덕터 및 HPCM과 같은 관리 소프트웨어를 호스팅합니다.

D. 분산되지 않은 교육 워크로드를 실행합니다.

A. 고객이 HPE 기계 학습 개발 솔루션을 사용할 준비가 되지 않았지만 오픈 소스 결정된 Al을 추천할 수 있습니다.

B. 고객은 HPE 기계 학습 개발 솔루션을 사용할 준비가 되어 있지 않습니다. 교육용 HPE Pointnext ASPS 워크숍을 추천할 수 있습니다.

C. 고객은 HPE 기계 학습 개발 환경의 핵심 대상이지만 HPE 기계 학습 개발 시스템은 아닙니다.

D. 고객은 HPE 기계 학습 개발 솔루션의 주요 대상이며 논의를 계속해야 합니다.

A. GPU 지원 서버를 위한 적절한 전력 및 냉각 부족

B. NL 엔지니어링 팀의 DL 모델 아키텍처에 대한 이해 부족

C. 여러 GPU에 훈련 프로세스를 분산하기 위해 모델 코드를 조정하는 복잡성

D. IT 팀이 각각의 새로운 교육 프로세스를 시작할 때까지 ML 팀이 기다려야 하는 요구 사항

A. 팀은 제대로 선택되지 않은 하이퍼파라미터로 학습 모델에 리소스를 낭비하지 않기를 원합니다.

B. 팀은 코드 작성에 소요되는 시간을 줄이고 모델 교육에 더 많은 시간을 할애하기를 원합니다.

C. 팀은 새 데이터에서 성능이 떨어지는 지점까지 모델 교육을 피하려고 합니다.

D. 팀은 학습 모델에 사용할 수 있는 CPU를 파악하는 데 소요되는 시간을 줄이고자 합니다.