MediaSelección múltiple

Pregunta de práctica de PMLE

Un equipo de aprendizaje automático está colaborando en un proyecto utilizando Vertex AI Experiments para realizar un seguimiento de las ejecuciones de entrenamiento de modelos. Quieren asegurarse de que todos los miembros del equipo puedan reproducir cualquier experimento utilizando el mismo código, datos y entorno. ¿Qué TRES acciones debe tomar el equipo?

Elige todas las respuestas correctas.

Respuestas correctas

  • AAlmacenar el código de entrenamiento en un Cloud Source Repository y etiquetar los commits con el ID del experimento.
  • BConstruir una imagen de contenedor personalizada para el entrenamiento y enviarla a Artifact Registry con una etiqueta fija.
  • CRegistrar la ruta y la versión del conjunto de datos de entrenamiento en los parámetros del experimento.

Explicación

Almacenar el código de entrenamiento en Cloud Source Repositories y etiquetar los commits con el ID del experimento crea un vínculo inmutable y versionado entre la revisión exacta del código y la ejecución de Vertex AI Experiment, lo cual es esencial para la reproducibilidad. Empaquetar el entorno de entrenamiento en una imagen de contenedor personalizada enviada a Artifact Registry con una etiqueta fija (inmutable) garantiza que cada miembro del equipo ejecute exactamente las mismas dependencias, bibliotecas y tiempo de ejecución, eliminando la desviación del entorno. Registrar la ruta y la versión del conjunto de datos como parámetros de experimento en Vertex AI Experiments captura la instantánea de datos exacta utilizada, por lo que se pueden recuperar y reutilizar las mismas entradas. Compartir una clave de cuenta de servicio es un antipatrón inseguro de gestión de credenciales y no contribuye por sí mismo a la reproducibilidad del código, los datos o el entorno. La optimización de hiperparámetros optimiza el rendimiento del modelo y no garantiza por sí sola que el código, los datos y el entorno estén fijados y sean reproducibles.

Por qué cada opción es correcta o incorrecta

A

Correcta

Almacenar el código de entrenamiento en un Cloud Source Repository y etiquetar los commits con el ID del experimento.

Etiquetar los commits en Cloud Source Repositories vincula cada experimento de Vertex AI a una revisión de código inmutable. Esto satisface la reproducibilidad al permitir que cualquier miembro del equipo compruebe el commit exacto que produjo una ejecución determinada, en lugar de depender de una rama mutable.

B

Correcta

Construir una imagen de contenedor personalizada para el entrenamiento y enviarla a Artifact Registry con una etiqueta fija.

Un contenedor personalizado enviado a Artifact Registry con una etiqueta fija congela las bibliotecas, dependencias y tiempo de ejecución exactos utilizados para el entrenamiento. Esto satisface el requisito de reproducibilidad del entorno, ya que cualquier miembro del equipo puede extraer y volver a ejecutar la misma imagen inmutable.

C

Correcta

Registrar la ruta y la versión del conjunto de datos de entrenamiento en los parámetros del experimento.

Registrar la ruta y la versión del conjunto de datos como parámetros del experimento captura qué generación de datos exacta entrenó al modelo. Esto satisface el requisito de reproducibilidad de los datos, ya que los compañeros de equipo pueden recuperar el conjunto de datos idéntico en lugar de un bucket cuyo contenido pueda haber cambiado.

D

Incorrecta

Compartir una clave de cuenta de servicio con todos los miembros del equipo para que puedan acceder a los mismos recursos.

Una clave de cuenta de servicio compartida es una credencial de larga duración que no puede atribuir ejecuciones a individuos y no es un mecanismo de reproducibilidad para código, datos o entorno. Es tentadora porque otorga acceso uniforme a recursos rápidamente, lo que se adapta a demostraciones de corta duración, pero la reproducibilidad de Vertex AI Experiments requiere conjuntos de datos versionados, contenedores y parámetros rastreados.

E

Incorrecta

Utilizar el trabajo de optimización de hiperparámetros de Vertex AI para encontrar automáticamente los mejores parámetros.

La optimización de hiperparámetros busca parámetros óptimos dentro de un solo experimento; ni versiona el código, los datos o el entorno ni los registra para su reproducción. Es tentadora porque los trabajos de optimización aparecen en Vertex AI Experiments, pero la reproducibilidad exige artefactos y parámetros registrados, no una búsqueda automatizada de parámetros.

Para profundizar

La reproducibilidad en Vertex AI Experiments requiere capturar tres artefactos: código, entorno y datos. Almacenar el código de entrenamiento en Cloud Source Repositories con commits etiquetados por el ID del experimento vincula cada ejecución a una revisión de código inmutable. Construir un contenedor personalizado y enviarlo a Artifact Registry con una etiqueta fija fija las versiones de las bibliotecas y las dependencias del sistema, evitando desviaciones de las etiquetas latest mutables. Registrar la ruta y la versión del conjunto de datos como parámetros de experimento documenta exactamente qué instantánea de datos se utilizó. Una sutileza: Vertex AI Experiments registra parámetros, métricas y artefactos, pero no toma automáticamente instantáneas del código o de los datos, por lo que los equipos deben versionarlos deliberadamente. En la práctica, este trío permite que un compañero de equipo meses después vuelva a ejecutar un experimento y obtenga resultados comparables, algo que las claves de cuenta de servicio compartidas o la optimización de hiperparámetros por sí solas no pueden garantizar.

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.