DifícilOpción múltiple

Pregunta de práctica de PMLE

Un equipo está construyendo una canalización (pipeline) de CI/CD para aprendizaje automático (ML) utilizando Cloud Build. La canalización entrena un modelo y lo implementa en Vertex AI. Recientemente, un cambio en el paso de procesamiento de datos hizo que el modelo se entrenara con una versión de datos diferente, lo que provocó una implementación fallida porque el modelo no era válido. ¿Cómo debería prevenir esto el equipo en el futuro?

Elige la mejor respuesta.

Respuesta correcta

  • CUtilizar una herramienta de control de versiones de datos (por ejemplo, DVC) para rastrear los conjuntos de datos y garantizar que la canalización siempre utilice la versión correcta

Explicación

La causa raíz es una discrepancia en la versión de los datos, no un problema de código o de entorno. Una herramienta de control de versiones de datos como DVC (Data Version Control) rastrea las versiones de conjuntos de datos mediante punteros basados en hash en Git, asegurando que la canalización recupere la versión exacta del conjunto de datos utilizada durante el entrenamiento. Esto evita fallos silenciosos cuando los pasos de procesamiento de datos cambian el esquema o el contenido de los datos, lo cual el anclaje de bibliotecas o las revisiones manuales no pueden garantizar.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Agregar un paso de revisión manual antes del entrenamiento

La revisión manual agrega inspección humana pero no registra qué versión de datos entrenó al modelo, por lo que la discrepancia persiste. Es tentadora como control de gobernanza y sería correcta cuando se requiera aprobación regulatoria o la aprobación subjetiva del modelo antes de su lanzamiento.

B

Incorrecta

Fijar todas las versiones de las bibliotecas en la imagen de Docker

Fijar las versiones de las bibliotecas corrige la reproducibilidad de los paquetes de Python, no la versión de los datos consumida por el paso de procesamiento. Es tentadora porque fijar dependencias es una práctica estándar de higiene de CI/CD, y sería la solución correcta si los resultados del entrenamiento divergieran debido a un framework o biblioteca actualizada.

C

Correcta

Utilizar una herramienta de control de versiones de datos (por ejemplo, DVC) para rastrear los conjuntos de datos y garantizar que la canalización siempre utilice la versión correcta

DVC fija cada conjunto de datos a una versión inmutable, por lo que la canalización hace referencia a una revisión de datos explícita en lugar de lo que el paso de procesamiento haya producido por última vez. Esto garantiza que el entrenamiento y la implementación utilicen la misma versión, evitando el fallo del modelo no válido.

D

Incorrecta

Programar un trabajo cron (cron job) para verificar los cambios en los datos

Un trabajo cron solo informa que los datos cambiaron; no puede vincular una versión específica del conjunto de datos a la ejecución del entrenamiento ni bloquear la implementación. Es tentador como monitoreo ligero y se adaptaría a la generación de alertas sobre la frescura de los datos ascendentes cuando no se requiere linaje a nivel de canalización o control de acceso.

Para profundizar

DVC funciona almacenando un hash del conjunto de datos (por ejemplo, MD5 o SHA256) en un archivo .dvc confirmado en Git, y los datos reales se almacenan en un caché remoto (por ejemplo, S3, GCS). Cuando se ejecuta la canalización, extrae la versión exacta del conjunto de datos a la que hace referencia ese hash, lo que garantiza la reproducibilidad incluso si el paso de procesamiento de datos cambia. En un escenario del mundo real, si un ingeniero de datos modifica un script de preprocesamiento que elimina inadvertidamente columnas, DVC detectaría el cambio como una nueva versión del conjunto de datos, y la canalización fallaría en el paso de recuperación de datos en lugar de entrenar silenciosamente un modelo roto.

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.