DifficileChoix multiples

Question d'entraînement PMLE

Quels sont les TROIS éléments à prendre en compte lors de la configuration d'un pipeline de réentraînement automatisé à l'aide de Vertex AI Pipelines et de Cloud Composer ? (Choisissez TROIS réponses).

Choisissez toutes les bonnes réponses.

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.

Pourquoi chaque option est juste ou fausse

A

Juste

Définir des seuils de performance pour les nouveaux modèles afin de décider du déploiement

Le réentraînement automatisé produit des modèles candidats qui doivent être validés avant le déploiement ; la définition de seuils de performance permet au pipeline de comparer chaque nouveau modèle au modèle actuel et de le promouvoir uniquement lorsque les métriques justifient le remplacement, évitant ainsi des régressions de qualité silencieuses en production.

B

Fausse

Inclure le réglage des hyperparamètres à chaque exécution de réentraînement

Le réglage des hyperparamètres recherche les paramètres optimaux du modèle et non l'orchestration du pipeline, l'imposer à chaque exécution de réentraînement multiplie donc les coûts et le temps d'exécution sans résoudre la planification ou l'actualisation des données. C'est séduisant car le réglage améliore véritablement la précision du modèle, et cela serait correct lorsque le réentraînement est rare et que les gains de précision justifient le calcul supplémentaire.

C

Juste

Optimiser l'allocation des ressources pour maîtriser les coûts

Vertex AI Pipelines et Cloud Composer engendrent des frais de calcul et d'orchestration par exécution. Par conséquent, le dimensionnement des types de machines, l'optimisation des étapes parallèles et la planification de la fréquence de réentraînement permettent de maîtriser les coûts récurrents. Cela répond à la contrainte opérationnelle consistant à maintenir un réentraînement automatisé de manière économique à grande échelle.

D

Fausse

Fréquence des commits de code dans le dépôt

La fréquence des commits reflète la vélocité du développement, et non les déclencheurs de réentraînement ; les pipelines doivent se réentraîner en cas de dérive des données, de nouvelles données étiquetées ou de dégradation des performances. C'est séduisant car des commits fréquents suggèrent une modification du code du modèle, mais Vertex AI Pipelines et Cloud Composer se planifient plutôt sur la base de seuils de données et de métriques.

E

Juste

Surveiller la dérive des données pour déclencher le réentraînement

La surveillance de la dérive des données détecte le moment où les distributions de caractéristiques entrantes divergent des données d'entraînement, fournissant la condition de déclenchement qui initie le réentraînement. Sans détection de dérive, le pipeline se réentraîne aveuglément selon un calendrier fixe ou stagne, ce qui répond directement à l'exigence d'automatisation.

Pour aller plus loin

Vertex AI Pipelines orchestre le réentraînement sous forme de DAG d'étapes conteneurisées, tandis que Cloud Composer (Airflow managé) planifie et déclenche ces pipelines via l'opérateur Vertex AI. Étant donné que chaque exécution consomme des ressources d'entraînement, de réglage et de prédiction, l'allocation des ressources — types de machines, nombre d'accéléreurs et mise à l'échelle automatique — régit directement les coûts, ce qui rend son optimisation essentielle. La détection de la dérive des données, généralement via Vertex AI Model Monitoring comparant les distributions de service en direct à une base de référence d'entraînement à l'aide de métriques telles que la divergence de Jensen-Shannon, émet des signaux qui doivent déclencher le réentraînement plutôt que de s'appuyer sur un calendrier fixe. Les seuils de performance contrôlent la promotion : un modèle nouvellement entraîné n'est déployé que si les métriques d'évaluation telles que l'AUC ou la RMSE surpassent le modèle actuel, évitant ainsi des régressions silencieuses. Le réglage des hyperparamètres à chaque exécution multiplie les coûts sans avantage garanti, et la fréquence des commits relève de l'intégration continue (CI) et non de la conception du pipeline.

À propos de ces questions d'entraînement

Cette question fait partie des questions d'entraînement PMLE 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.