Cela implique de mettre en place un apprentissage automatique de manière à ce que la plateforme cloud gère les tâches d'infrastructure nécessaires pour assurer un fonctionnement fiable sur plusieurs ressources. Cette formation vise à optimiser ces charges de travail en termes de coûts et de performances grâce à un apprentissage géré, à la reprise après interruption et à un réglage basé sur des indicateurs.

Vous y aurez recours lorsqu'une tâche d'entraînement est trop volumineuse, trop lente ou trop coûteuse pour être gérée facilement sur une seule machine ou une infrastructure fixe. Cette solution s'avère particulièrement utile lorsque vous avez besoin d'un entraînement distribué, que vous souhaitez utiliser en toute sécurité des ressources de calcul interruptibles et moins coûteuses, ou que vous avez besoin de données pour orienter vos décisions en matière de ressources.

Cette étape intervient au stade de la « création et exécution », une fois que le code de votre modèle et la configuration des données sont suffisamment prêts pour permettre un apprentissage à grande échelle. À partir de là, elle relie l'exécution des tâches à la surveillance, ce qui vous permet d'optimiser vos choix architecturaux en fonction des performances réelles de la charge de travail.