A. 분할이나 워크로드 분리 없이 모든 AI 워크로드를 단일 대형 GPU 인스턴스에서 실행합니다.

B. 성능 저하를 감수하더라도 비용을 절감하려면 구형 GPU 모델을 탑재한 온디맨드 클라우드 인스턴스를 선택하세요.

C. 각 워크로드의 컴퓨팅 요구량이 다르더라도 각 워크로드에 대해 별도의 풀 GPU 인스턴스를 배포합니다.

D. NVIDIAAI Enterprise와 MIG(다중 인스턴스 GPU)를 사용하여 모델을 배포하면 단일 GPU에 여러 워크로드를 효율적으로 할당할 수 있습니다.

A. 고성능 I/O 및 데이터셋 저장 최적화를 위한 NVIDIA Magnum IO.

B. 데이터셋 저장 및 검색 성능 관리를 위한 NVIDIA Nsight 시스템.

C. NVIDIA Morpheus는 AI 파이프라인에서 데이터셋 인덱싱 및 검색 속도를 향상시키는 데 사용됩니다.

D. NVIDIA Clara Imaging은 정형 및 비정형 데이터셋을 효율적으로 저장하는 데 사용됩니다.

A. 전체 그래프에서 너비 우선 탐색(BFS)을 실행하여 가장 영향력 있는 사용자를 찾습니다.

B. cuGraph의 K-평균 클러스터링을 적용하여 연결 패턴이 유사한 사용자들을 그룹화합니다.

C. cuGraph의 DBSCAN 클러스터링을 사용하여 소셜 네트워크에서 커뮤니티를 탐지합니다.

D. cuGraph의 PageRank 알고리즘을 사용하여 네트워크 내 중요도에 따라 사용자의 순위를 매깁니다.

A. 불규칙성을 무시하고 전처리 없이 원시 타임스탬프를 직접 표시합니다.

B. cuDF.resample()을 사용하여 시계열을 고정된 빈도로 재샘플링하고 결측값을 채웁니다.

C. 타임스탬프를 기준으로 데이터를 정렬하고 df.dropna()를 사용하여 희소 영역을 모두 제거합니다.

D. 데이터셋을 Pandas 형식으로 변환하고 df.resample()을 사용하여 고정된 시간 간격으로 집계합니다.

A. GPU 메모리 사용량을 최적화하기 위해 범주형 변수를 int8로 변환합니다.

B. 계산의 정확도를 최대화하기 위해 모든 수치 데이터를 float64로 변환합니다.

C. 메모리 사용량을 줄이고 GPU 처리 속도를 높이기 위해 모든 부동 소수점 데이터에 float16을 사용하십시오.

D. 가능한 경우 부동 소수점 숫자에 float64 대신 float32를 사용하고, 범주형 및 정수형 데이터의 경우 범위에 따라 int8, int16 또는 int32를 활용하십시오.