Das bedeutet, Machine-Learning-Trainings so einzurichten, dass die Cloud-Plattform die Infrastrukturaufgaben übernimmt, die für einen zuverlässigen Betrieb über mehrere Ressourcen hinweg erforderlich sind. Der Kurs konzentriert sich darauf, diese Workloads durch verwaltete Trainings, Wiederherstellung nach Unterbrechungen und metrikbasierte Optimierung kosten- und leistungsbewusst zu gestalten.

Sie würden diese Option nutzen, wenn ein Trainingsauftrag zu groß, zu langsam oder zu kostspielig ist, um ihn bequem auf einem einzelnen Rechner oder in einer festen Umgebung zu verwalten. Sie ist besonders nützlich, wenn Sie verteiltes Training benötigen, kostengünstige, unterbrechbare Rechenleistung sicher nutzen möchten oder Daten benötigen, um Entscheidungen über die Ressourcenzuweisung zu treffen.

Diese Phase folgt auf die „Build-and-Run“-Phase, nachdem Ihr Modellcode und Ihre Dateneinrichtung so weit fertiggestellt sind, dass ein Training in großem Maßstab möglich ist. Von dort aus verbindet sie die Jobausführung mit der Überwachung, sodass Sie Ihre Architekturentscheidungen auf der Grundlage der tatsächlichen Leistung der Arbeitslast optimieren können.