Bonnes réponses
- ADéfinir des seuils de performance pour les nouveaux modèles afin de décider du déploiement
- COptimiser l'allocation des ressources pour maîtriser les coûts
- ESurveiller la dérive des données pour déclencher le réentraînement
Explication
L'option A est correcte car un pipeline de réentraînement automatisé nécessite des seuils de performance définis (par exemple, des barrières de précision, d'AUC ou de RMSE) afin qu'un modèle nouvellement entraîné ne soit promu au déploiement que lorsqu'il surpasse ou atteint de manière démontrable la métrique requise, évitant ainsi toute régression en production. L'option C est correcte car Vertex AI Pipelines exécute les étapes d'entraînement, de réglage et d'évaluation sur des ressources de calcul facturables, de sorte que les choix d'allocation des ressources tels que le type de machine, l'utilisation d'accéléreurs (GPU/TPU) et la mise en cache du pipeline contrôlent directement les coûts et doivent être planifiés pour un rythme de réentraînement durable. L'option E est correcte car le déclencheur du réentraînement est généralement la dérive des données (data drift) ou la dérive conceptuelle détectée via Vertex AI Model Monitoring, qui émet des alertes que les DAG Cloud Composer peuvent consommer pour lancer le pipeline, faisant de la surveillance de la dérive une considération de conception fondamentale. L'option B n'est pas obligatoire : le réglage des hyperparamètres ne doit pas nécessairement s'exécuter à chaque cycle de réentraînement, car il est coûteux et souvent nécessaire uniquement lorsque le modèle ou la distribution des données change de manière substantielle. L'option D n'est pas pertinente : la fréquence des commits de code reflète le flux de travail des développeurs, et non les déclencheurs opérationnels ou les décisions de ressources d'un pipeline de réentraînement automatisé.