Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Perangkat keras dan layanan
Cari peluang untuk mengurangi dampak beban kerja terhadap keberlanjutan dengan membuat perubahan pada praktik manajemen perangkat keras Anda. Minimalkan jumlah perangkat keras yang perlu disediakan dan di-deploy, serta pilih perangkat keras dan layanan yang paling efisien untuk setiap beban kerja Anda.
Pertanyaan berikut ini berfokus pada semua pertimbangan untuk keberlanjutan ini:
| SUS5: Bagaimana Anda memilih dan menggunakan perangkat keras dan layanan cloud dalam arsitektur Anda untuk mendukung tujuan keberlanjutan Anda? |
|---|
|
Cari peluang untuk mengurangi dampak beban kerja terhadap keberlanjutan dengan membuat perubahan pada praktik manajemen perangkat keras Anda. Minimalkan jumlah perangkat keras yang perlu disediakan dan di-deploy, serta pilih perangkat keras dan layanan yang paling efisien untuk setiap beban kerja Anda. |
Gunakan perangkat keras dalam jumlah minim untuk memenuhi kebutuhan Anda: Menggunakan kemampuan cloud, Anda dapat membuat perubahan secara sering pada implementasi beban kerja Anda. Perbarui komponen yang di-deploy seiring perubahan kebutuhan Anda.
Gunakan tipe instans dengan dampak paling sedikit: Terus pantau perilisan tipe-tipe instans baru dan manfaatkan peningkatan efisiensi energi, termasuk tipe instans yang dirancang untuk mendukung beban kerja khusus seperti pelatihan dan inferensi machine learning, dan transkode video.
Gunakan layanan terkelola: Layanan terkelola mengalihkan tanggung jawab untuk mempertahankan pemanfaatan rata-rata tinggi, dan optimalisasi keberlanjutan perangkat keras yang digunakan, ke. AWS Gunakan layanan terkelola untuk meratakan dampak layanan terhadap keberlanjutan ke semua tenant layanan, sehingga kontribusi individu Anda dapat berkurang.
Optimalkan penggunaanGPUs: Unit pemrosesan grafis (GPUs) dapat menjadi sumber konsumsi daya tinggi, dan banyak GPU beban kerja sangat bervariasi, seperti rendering, transcoding, dan pelatihan dan pemodelan pembelajaran mesin. Hanya jalankan GPUs instance untuk waktu yang dibutuhkan, dan nonaktifkan dengan otomatisasi bila tidak diperlukan untuk meminimalkan sumber daya yang dikonsumsi.
