MediaOpción múltiple

Pregunta de práctica de PMLE

Una empresa minorista desea construir un sistema de recomendación de productos utilizando BigQuery ML para su plataforma de comercio electrónico. Los datos incluyen el historial de compras de los clientes, metadatos de productos y registros de flujo de clics (clickstream). El ingeniero de ML necesita minimizar la ingeniería de características manual y aprovechar soluciones preconstruidas. ¿Qué enfoque debe adoptar el ingeniero?

Elige la mejor respuesta.

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.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Utilizar un modelo de recomendación preconstruido de Vertex AI Model Garden y desplegarlo en un endpoint.

Los modelos de Vertex AI Model Garden se ejecutan fuera de BigQuery, por lo que el historial de compras y los datos de flujo de clics deben exportarse y las características deben diseñarse manualmente, lo que contraviene el requisito de minimizar la ingeniería de características. Model Garden es adecuado para desplegar modelos preentrenados cuando los datos ya residen en pipelines de Vertex AI.

B

Incorrecta

Escribir un modelo de TensorFlow personalizado utilizando el servicio Vertex AI Training y desplegarlo a través de Vertex AI Prediction.

Un modelo de TensorFlow personalizado exige código de entrenamiento e ingeniería de características manual, contradiciendo el requisito de minimizar dicho trabajo. La factorización de matriz de BigQuery ML maneja esto dentro de SQL. Vertex AI Training se elige cuando se necesitan genuinamente arquitecturas o frameworks a medida.

C

Incorrecta

Exportar los datos a CSV y utilizar AutoML Tables para entrenar un modelo de recomendación.

Exportar a CSV y utilizar AutoML Tables rompe el requisito de BigQuery ML y fuerza el movimiento de datos además de la preparación del esquema. AutoML Tables se elige para la clasificación o regresión tabular en conjuntos de datos exportados, no para el modelado de recomendación dentro de la base de datos.

D

Correcta

Utilizar el modelo de factorización de matriz de BigQuery ML (CREATE MODEL con model_type='matrix_factorization') para entrenar directamente con datos de interacción históricos.

El modelo matrix_factorization de BigQuery ML aprende incrustaciones latentes de usuarios y artículos directamente a partir de datos de interacción históricos, por lo que el historial de compras y los registros de flujo de clics alimentan el entrenamiento sin características elaboradas a mano. Esto satisface la restricción del enunciado de minimizar la ingeniería de características manual mientras se utiliza una solución preconstruida, a diferencia de los enfoques que requieren pipelines personalizados o frameworks externos.

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.