Respuesta correcta
- BRecopilar periódicamente nuevas imágenes con etiquetas, reentrenar el modelo en Custom Vision y volver a desplegar el contenedor actualizado.
Explicación
Los modelos de Custom Vision desplegados en contenedores en dispositivos perimetrales no exponen un endpoint REST al que el monitoreo de deriva de datos de Azure Machine Learning pueda acceder directamente. La única forma de detectar la deriva y reentrenar es recopilar periódicamente nuevas imágenes etiquetadas de la línea de producción, reentrenar el modelo en Custom Vision y volver a desplegar el contenedor actualizado en el servidor perimetral.
Para profundizar
Custom Vision exporta una imagen de contenedor de Docker que ejecuta inferencias sin conexión en el servidor perimetral, pero el contenedor es estático: no realiza telemetría de vuelta a Azure y no expone ningún punto de conexión de detección de deriva, por lo que el monitoreo de deriva de Azure Machine Learning no puede conectarse a él. El aprendizaje activo y las alertas de deriva son características del recurso de Custom Vision alojado, no del contenedor exportado. El ciclo práctico consiste en capturar imágenes de producción en el perímetro, etiquetarlas (a menudo con revisión humana de predicciones de baja confianza), cargarlas en el proyecto de Custom Vision, reentrenar una iteración y volver a exportar y desplegar el contenedor. Una sutileza: el reentrenamiento crea una nueva iteración y debe publicarla explícitamente antes de exportarla. Esto importa en las líneas de montaje donde la iluminación o los proveedores de piezas cambian gradualmente.
Sobre estas preguntas de práctica
Esta es una de las preguntas de práctica originales de AI-102 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.