DifficileChoix unique

Question d'entraînement MLA-C01

Une équipe utilise SageMaker Pipelines pour entraîner et enregistrer un modèle. Elle souhaite exécuter de manière conditionnelle une étape d'optimisation des hyperparamètres uniquement si le contrôle de la qualité des données réussit. Quel type d'étape de pipeline (pipeline step type) doivent-ils utiliser pour ramifier l'exécution ?

Choisissez la meilleure réponse.

Bonne réponse

  • CConditionStep

Explication

Le ConditionStep permet de comparer des valeurs et de bifurquer vers différentes étapes. Si la qualité des données est validée, l'étape d'optimisation s'exécute ; sinon, le pipeline s'arrête ou exécute une étape alternative. Les autres étapes ne fournissent pas de branchement conditionnel.

Pourquoi chaque option est juste ou fausse

A

Fausse

TuningStep

TuningStep lance un travail d'optimisation d'hyperparamètres ; c'est l'étape qui est contrôlée, et non le mécanisme de branchement. C'est tentant car le scénario désigne l'optimisation des hyperparamètres comme l'action conditionnelle, mais la question demande quel type d'étape effectue le branchement, qui est ConditionStep, et non le travail d'optimisation lui-même.

B

Fausse

TrainingStep

TrainingStep exécute un travail d'entraînement de modèle et produit des artefacts de modèle ; il n'a aucune capacité d'évaluation conditionnelle ou de branchement. C'est tentant car l'entraînement est au cœur du pipeline, mais conditionner une étape au résultat de la qualité des données nécessite ConditionStep, qui évalue la condition et contrôle si l'étape d'optimisation s'exécute.

C

Juste

ConditionStep

ConditionStep évalue une condition booléenne par rapport à une propriété du pipeline, telle que la sortie du contrôle de qualité des données, et bifurque l'exécution en conséquence. Il contrôle l'étape d'optimisation afin qu'elle ne s'exécute que lorsque le contrôle réussit, satisfaisant ainsi l'exigence d'exécution conditionnelle sans modifier la logique d'entraînement sous-jacente.

D

Fausse

TransformStep

TransformStep exécute un travail de traitement ou de transformation par lots sur les données ; il ne peut pas évaluer de condition ni bifurquer l'exécution. C'est tentant car TransformStep traite des données, ce qui semble proche d'un contrôle de qualité des données, mais le branchement nécessite un ConditionStep, qui évalue une condition et contrôle les étapes en aval telles que l'étape d'optimisation.

Pour aller plus loin

Le ConditionStep de SageMaker Pipelines permet un branchement conditionnel dans un pipeline en fonction du résultat d'une étape précédente, telle qu'un contrôle de qualité des données. Il évalue une condition (par exemple, une propriété JSON provenant de la sortie d'une étape de traitement) et exécute l'une des deux branches : si elle est vraie, il exécute l'étape d'optimisation ; si elle est fausse, il l'ignore ou exécute une alternative. Un comportement subtil : le ConditionStep exige que la condition soit exprimée sous forme d'expression et de comparaison JSONPath, et la sortie de l'étape doit être un fichier de propriétés. Dans un scénario réaliste, une équipe peut exécuter un contrôle de qualité des données qui génère un indicateur de réussite/échec ; le ConditionStep déclenche ensuite l'optimisation des hyperparamètres uniquement si l'indicateur est 'pass', évitant ainsi de gaspiller de la puissance de calcul sur de mauvaises données. Cela garantit une utilisation efficace des ressources et la robustesse du pipeline.

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.