FácilOpción múltiple

Pregunta de práctica de PMLE

Una empresa quiere predecir la deserción de clientes (churn) utilizando un conjunto de datos con 10,000 filas y 20 características. No tienen experiencia en ML. ¿Qué solución de código bajo (low-code) deben utilizar?

Elige la mejor respuesta.

Respuesta correcta

  • DVertex AI AutoML Tables

Explicación

Vertex AI AutoML Tables es la solución de código bajo correcta porque permite a los usuarios sin experiencia en ML entrenar modelos tabulares de alta calidad en datos estructurados (10,000 filas, 20 características) sin escribir ningún código. Automatiza la ingeniería de características, la selección de modelos y el ajuste de hiperparámetros, y proporciona una interfaz de usuario simple para cargar datos y obtener predicciones. Esto coincide directamente con el requisito de una solución de código bajo y sin experiencia para un problema tabular de predicción de deserción.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Kubeflow Pipelines

Kubeflow Pipelines orquesta flujos de trabajo de entrenamiento contenerizados; no proporciona selección automática de modelos, manejo de características ni despliegue para no expertos. Es la herramienta correcta cuando un equipo ya cuenta con ingenieros de ML que necesitan una orquestación de canalizaciones reproducible y escalable en muchos modelos.

B

Incorrecta

Modelo de TensorFlow personalizado

TensorFlow requiere escribir y ajustar código de entrenamiento, lo cual el equipo sin experiencia no puede hacer, y no proporciona una interfaz administrada de código bajo. Los frameworks personalizados son la opción correcta cuando se necesitan arquitecturas hechas a medida o funciones de pérdida más allá de lo que ofrece un servicio de AutoML.

C

Incorrecta

BigQuery ML

BigQuery ML requiere escribir declaraciones SQL CREATE MODEL y elegir tipos de modelos, lo que excede las necesidades de un equipo sin experiencia en ML; se adapta a analistas que ya dominan SQL y desean entrenamiento dentro del almacén de datos. El escenario requiere una herramienta visual y sin código como Vertex AI AutoML en su lugar.

D

Correcta

Vertex AI AutoML Tables

Vertex AI AutoML Tables se adapta a la restricción de ausencia de experiencia: selecciona automáticamente algoritmos, diseña características y ajusta hiperparámetros en datos tabulares, por lo que el equipo no necesita conocimientos de ML. Maneja directamente 10,000 filas y 20 características, satisfaciendo el requisito de código bajo sin desarrollo manual de modelos.

Para profundizar

Vertex AI AutoML Tables entrena y ajusta modelos en datos tabulares sin requerir que el usuario seleccione algoritmos o escriba código de entrenamiento, exponiendo el flujo de trabajo a través de la consola, gcloud o el SDK de Vertex AI. Realiza automáticamente la ingeniería de características, divide los datos y ejecuta la búsqueda de arquitectura, luego despliega el modelo ganador en un endpoint para predicción en línea o por lotes. Un detalle sutil: AutoML Tables requiere un mínimo de 1,000 filas por conjunto de entrenamiento y un máximo de 100 millones, y la columna de destino debe ser categórica o numérica, por lo que un conjunto de datos de deserción de 10,000 filas y 20 características encaja cómodamente. BigQuery ML también es de código bajo pero asume fluidez en SQL, mientras que AutoML Tables se dirige a usuarios sin antecedentes de ML, lo que lo convierte en la mejor opción cuando falta experiencia.

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.