MoyenneChoix multiples

Question d'entraînement MLA-C01

Quels sont les TROIS composants nécessaires pour configurer le réentraînement automatisé d'un modèle en réponse à une baisse de performance à l'aide d'Amazon SageMaker ? (Sélectionnez TROIS).

Choisissez toutes les bonnes réponses.

Bonnes réponses

  • BUne alarme CloudWatch qui se déclenche lorsqu'une métrique de qualité tombe sous un seuil.
  • CUn calendrier SageMaker Model Monitor pour capturer les données d'inférence et calculer les métriques de qualité.
  • DUne fonction AWS Lambda qui démarre un travail d'entraînement SageMaker ou l'exécution d'un pipeline.

Explication

L'option B est correcte car une alarme CloudWatch surveillant une métrique de qualité du modèle (par exemple, MAE, F1) et se déclenchant lorsqu'elle franchit un seuil constitue le mécanisme de détection qui signale la dégradation des performances et peut déclencher une action. L'option C est correcte car SageMaker Model Monitor (plus précisément un calendrier de surveillance avec une référence de qualité) capture les données d'inférence de l'endpoint et calcule les métriques de qualité que CloudWatch évalue ensuite. L'option D est correcte car une fonction AWS Lambda est l'élément d'automatisation qui, lorsqu'elle est invoquée par l'alarme CloudWatch (via SNS ou EventBridge), appelle l'API SageMaker pour lancer un travail d'entraînement ou l'exécution d'un pipeline de réentraînement. L'option A n'est pas requise car l'approbation manuelle via un abonnement e-mail SNS est une étape humaine (human-in-the-loop) et non un composant du réentraînement automatisé. L'option E n'est pas requise car une variante de production avec un basculement de trafic canary est une stratégie de déploiement pour publier un nouveau modèle, et non un prérequis pour déclencher le réentraînement.

Pourquoi chaque option est juste ou fausse

A

Fausse

Un topic Amazon SNS avec un abonnement pour envoyer un e-mail d'approbation manuelle.

Un topic SNS avec un e-mail d'approbation manuelle introduit une étape de validation humaine ; le réentraînement automatisé doit se déclencher de manière programmatique à partir d'une alarme de dégradation sans attendre une personne. C'est tentant car les étapes d'approbation conviennent aux modifications de production à haut risque, et ce serait correct là où la gouvernance exige une validation avant qu'un modèle ne soit promu.

B

Juste

Une alarme CloudWatch qui se déclenche lorsqu'une métrique de qualité tombe sous un seuil.

Une alarme CloudWatch fournit le déclencheur de dégradation requis par le scénario : elle évalue en continu une métrique de qualité du modèle par rapport à votre seuil et se déclenche lorsque les performances baissent. Sans cette source d'événements, le réentraînement ne peut pas être automatisé en réponse à la dégradation, mais seulement planifié. Elle répond à l'exigence de détection de la baisse des performances et d'initialisation du pipeline.

C

Juste

Un calendrier SageMaker Model Monitor pour capturer les données d'inférence et calculer les métriques de qualité.

Le calendrier de Model Monitor capture les requêtes d'inférence en direct et calcule les métriques de qualité par rapport à une référence, produisant le signal de dégradation. Cette évaluation continue est ce qui détecte la dérive et alimente l'alarme, la rendant essentielle au réentraînement automatisé.

D

Juste

Une fonction AWS Lambda qui démarre un travail d'entraînement SageMaker ou l'exécution d'un pipeline.

Une fonction AWS Lambda fournit la couche de calcul qui traduit une alerte de dégradation en action, en invoquant soit un travail d'entraînement SageMaker autonome, soit l'exécution complète d'un pipeline. Cela satisfait la contrainte d'automatisation : le réentraînement se déclenche sans intervention humaine, faisant le pont entre les alarmes CloudWatch et les API d'entraînement de SageMaker.

E

Fausse

Une variante de production avec une configuration de basculement de trafic canary.

Un basculement de trafic canary gère la manière dont une nouvelle version du modèle reçoit le trafic d'inférence ; il ne fournit pas la surveillance, le seuil ou le déclencheur de réentraînement que requiert la détection de dégradation. C'est tentant car les canary font partie d'un déploiement sûr, et ce serait correct lors de la validation d'une nouvelle version de modèle par rapport au trafic en direct avant un déploiement complet.

Pour aller plus loin

Le réentraînement automatisé en cas de dégradation enchaîne généralement trois éléments. Un calendrier SageMaker Model Monitor est associé à un endpoint, capture les requêtes et réponses d'inférence sur S3, et calcule des métriques telles qu'une métrique de qualité en comparant les prédictions à des étiquettes de vérité terrain fusionnées à partir d'une référence. Une alarme CloudWatch surveille cette métrique et se déclenche lorsqu'elle franchit un seuil. L'action de l'alarme invoque une fonction Lambda (ou une règle EventBridge) qui démarre un travail d'entraînement SageMaker ou une exécution de SageMaker Pipeline pour réentraîner et enregistrer un nouveau modèle. Un sujet d'approbation manuelle SNS et une variante de basculement de trafic canary sont des contrôles de déploiement optionnels, non requis pour le déclencheur de réentraînement lui-même. Ce modèle est important lorsque la dérive du modèle (drift) doit être corrigée sans intervention humaine.

À propos de ces questions d'entraînement

Cette question fait partie des questions d'entraînement MLA-C01 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.

Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.