MediaOpción múltiple

Pregunta de práctica de AI-900

¿Qué es el 'envío de trabajos' (job submission) de Azure Machine Learning y qué tipos de trabajos de entrenamiento son compatibles?

Elige la mejor respuesta.

Respuesta correcta

  • BEnviar scripts de entrenamiento a cómputo administrado: tipos de trabajos command, sweep, pipeline y AutoML

Explicación

El envío de trabajos de Azure Machine Learning es el proceso de enviar un script de entrenamiento a un destino de cómputo administrado para su ejecución. Los tipos de trabajos compatibles son command (ejecución de un script), sweep (ajuste de hiperparámetros), pipeline (flujos de trabajo de varios pasos) y AutoML (selección y entrenamiento automatizado de modelos). Esto hace que la opción B sea correcta porque enumera con precisión estos cuatro tipos de trabajos.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Enviar solicitudes para unirse al equipo de ingeniería de Azure AI en Microsoft

El envío de trabajos en Azure Machine Learning ejecuta scripts de entrenamiento en destinos de cómputo; no tiene nada que ver con solicitudes de empleo o contratación. Es tentador únicamente a través de la palabra 'enviar', pero el concepto sería correcto si la pregunta tratara sobre postularse para un puesto en ese equipo.

B

Correcta

Enviar scripts de entrenamiento a cómputo administrado: tipos de trabajos command, sweep, pipeline y AutoML

El envío de trabajos envía un script o configuración de entrenamiento a un cómputo administrado, donde Azure Machine Learning maneja la orquestación. Los trabajos de comando ejecutan un solo script, los trabajos de barrido ajustan hiperparámetros, los trabajos de canalización encadenan pasos y los trabajos de AutoML automatizan la selección de modelos.

C

Incorrecta

Enviar predicciones de modelos como trabajos por lotes para procesar grandes conjuntos de datos durante la noche

La predicción por lotes es una inferencia contra un modelo ya entrenado, no un envío de trabajo de entrenamiento, por lo que no responde qué tipos de trabajos de entrenamiento admite Azure Machine Learning. Es tentador porque los trabajos por lotes se envían a través de la misma construcción de trabajo, pero sería correcto para puntuar grandes conjuntos de datos sin conexión.

D

Incorrecta

Programar cuándo se ejecutan los trabajos de monitoreo de modelos para verificar la deriva de datos

Los programas de monitoreo detectan la deriva en modelos desplegados después del entrenamiento; no son envíos de trabajos de entrenamiento, por lo que no describen los tipos de trabajos de entrenamiento admitidos. Es tentador porque los programas también son trabajos, pero esto sería correcto al mantener la calidad de los datos de un modelo en producción.

Para profundizar

El envío de trabajos de Azure Machine Learning envía un script de entrenamiento o configuración a un cómputo administrado, donde el servicio aprovisiona el entorno, ejecuta la carga de trabajo y registra métricas y artefactos. Los tipos de trabajos compatibles incluyen trabajos de comando para un solo script, trabajos de barrido para el ajuste de hiperparámetros, trabajos de canalización que encadenan múltiples pasos y trabajos de AutoML que automatizan la selección de algoritmos y la ingeniería de características. Un detalle sutil: los trabajos se ejecutan en entornos aislados de Conda o Docker definidos por la especificación del entorno, por lo que los desajustes de dependencias surgen en el envío en lugar de en la máquina local. En la práctica, un científico de datos envía un trabajo de comando para un modelo base, luego un trabajo de barrido para ajustarlo y, finalmente, un trabajo de canalización para orquestar el reentrenamiento y el registro.

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de AI-900 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.