あるデータサイエンティストが、Azure Machine Learning のコンピューティングリソースを選択している。モデルの訓練をスケーラブルに実行したいが、訓練が終わったらリソースを自動でゼロにスケールダウンしてコストを最小化したい。この要件に最も適したコンピューティングの種類はどれか。
- A. ローカルコンピューティング：開発者のPCを直接使ってモデルを訓練する
- B. コンピューティングインスタンス：常時起動の開発用仮想マシン
- C. 推論クラスター（AKS）：リアルタイム推論を低レイテンシで提供するためのKubernetes環境
- D. コンピューティングクラスター：ジョブ実行時のみスケールアップし、完了後はゼロノードにスケールダウンできる
解答と解説を見る
正解: D
Azure ML のコンピューティングクラスターは、ジョブがないときはノード数をゼロにスケールダウンし、ジョブ発生時にスケールアップする設計になっており、コストと性能のバランスが取れたトレーニング用リソースである。Bのコンピューティングインスタンスは常時稼働の開発用VMであり、常時コストが発生するためコスト最小化には不向き。Cの推論クラスター（AKS）は学習済みモデルをAPIとして公開するためのもので、訓練ジョブの実行には通常使わない。Aのローカルコンピューティングはスケーラビリティがなく、大規模な訓練には対応できない。