Respuesta correcta
- DUtilizar el modelo de factorización de matriz de BigQuery ML (CREATE MODEL con model_type='matrix_factorization') para entrenar directamente con datos de interacción históricos.
Explicación
El modelo de factorización de matriz de BigQuery ML (model_type='matrix_factorization') está diseñado específicamente para sistemas de recomendación que utilizan datos de retroalimentación implícita o explícita. Se entrena directamente con datos de interacción históricos (por ejemplo, compras de usuario-artículo) sin requerir ingeniería de características manual, alineándose con el objetivo de minimizar el esfuerzo de ML de código bajo. Este enfoque aprovecha la interfaz SQL nativa de BigQuery y se escala automáticamente, lo que lo hace ideal para el escenario de comercio electrónico descrito.
Para profundizar
La factorización de matriz de BigQuery ML entrena un modelo de filtrado colaborativo directamente en el almacén de datos utilizando CREATE MODEL con model_type='matrix_factorization', consumiendo tablas de interacción usuario-artículo sin exportar datos ni construir incrustaciones manualmente. Bajo el capó, aprende factores latentes de usuarios y artículos minimizando el error de reconstrucción en las interacciones observadas, y se pueden mezclar características secundarias a través de las columnas de usuario y artículo. Una sutileza es que requiere un número mínimo de interacciones por usuario y artículo, y los elementos de arranque en frío (cold-start) necesitan alternativas basadas en contenido. En un escenario realista, un equipo de comercio electrónico alimenta eventos de compra y flujo de clics en una tabla de BigQuery, entrena el modelo en el lugar y genera recomendaciones con ML.RECOMMEND, evitando la infraestructura de Vertex AI mientras mantiene los datos gobernados y minimiza la ingeniería de características manual.
Sobre estas preguntas de práctica
Esta es una de las preguntas de práctica originales de PMLE de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.
Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.