自動運転技術の企業は、数日かかる大規模な学習ジョブを動かしています。途中でノードの障害が起きると、最初からやり直しになって時間を失っています。経営陣からは、確保した計算時間のうち学習が実際に進んだ時間がどれだけかを把握することも求められています。何を行えばよいですか。