MoyenneChoix unique

Question d'entraînement PMLE

Une entreprise de vente au détail souhaite créer un système de recommandation de produits utilisant BigQuery ML pour sa plateforme de commerce électronique. Les données comprennent l'historique des achats des clients, les métadonnées des produits et les journaux de clics (clickstream). L'ingénieur ML doit minimiser l'ingénierie des caractéristiques manuelle et exploiter des solutions préétablies. Quelle approche l'ingénieur doit-il adopter ?

Choisissez la meilleure réponse.

Bonne réponse

  • DUtiliser le modèle de factorisation de matrice de BigQuery ML (CREATE MODEL avec model_type='matrix_factorization') pour s'entraîner directement sur les données d'interaction historiques.

Explication

Le modèle de factorisation de matrice de BigQuery ML (model_type='matrix_factorization') est spécialement conçu pour les systèmes de recommandation utilisant des données de rétroaction implicites ou explicites. Il s'entraîne directement sur les données d'interaction historiques (par exemple, les achats utilisateur-article) sans nécessiter d'ingénierie de caractéristiques manuelle, s'alignant sur l'objectif de minimiser l'effort de ML à code bas. Cette approche exploite l'interface SQL native de BigQuery et s'adapte automatiquement, ce qui la rend idéale pour le scénario de commerce électronique décrit.

Pourquoi chaque option est juste ou fausse

A

Fausse

Utiliser un modèle de recommandation préétabli de Vertex AI Model Garden et le déployer sur un point de terminaison.

Les modèles de Vertex AI Model Garden s'exécutent en dehors de BigQuery, de sorte que l'historique des achats et les données de clics doivent être exportés et les caractéristiques conçues manuellement, ce qui va à l'encontre de l'exigence de minimiser l'ingénierie des caractéristiques. Model Garden convient au déploiement de modèles pré-entraînés lorsque les données résident déjà dans des pipelines Vertex AI.

B

Fausse

Écrire un modèle TensorFlow personnalisé en utilisant le service Vertex AI Training et le déployer via Vertex AI Prediction.

Un modèle TensorFlow personnalisé exige du code d'entraînement et une ingénierie de caractéristiques manuelle, ce qui contredit l'exigence de minimiser ce travail. La factorisation de matrice de BigQuery ML gère cela directement dans SQL. Vertex AI Training est choisi lorsque des architectures ou des frameworks sur mesure sont réellement nécessaires.

C

Fausse

Exporter les données vers CSV et utiliser AutoML Tables pour entraîner un modèle de recommandation.

L'exportation vers CSV et l'utilisation d'AutoML Tables enfreignent l'exigence de BigQuery ML et forcent le déplacement des données ainsi que la préparation du schéma. AutoML Tables est choisi pour la classification tabulaire ou la régression sur des ensembles de données exportés, et non pour la modélisation de recommandation dans la base de données.

D

Juste

Utiliser le modèle de factorisation de matrice de BigQuery ML (CREATE MODEL avec model_type='matrix_factorization') pour s'entraîner directement sur les données d'interaction historiques.

Le modèle matrix_factorization de BigQuery ML apprend des embeddings latents d'utilisateurs et d'articles directement à partir des données d'interaction historiques, de sorte que l'historique des achats et les journaux de clics alimentent l'entraînement sans caractéristiques élaborées à la main. Cela satisfait la contrainte de l'énoncé consistant à minimiser l'ingénierie des caractéristiques manuelle tout en utilisant une solution préétabli, contrairement aux approches nécessitant des pipelines personnalisés ou des frameworks externes.

Pour aller plus loin

La factorisation de matrice de BigQuery ML entraîne un modèle de filtrage collaboratif directement dans l'entrepôt de données en utilisant CREATE MODEL avec model_type='matrix_factorization', en consommant des tables d'interaction utilisateur-article sans exporter de données ni créer manuellement des représentations vectorielles (embeddings). Sous le capot, il apprend des facteurs latents d'utilisateurs et d'articles en minimisant l'erreur de reconstruction sur les interactions observées, et vous pouvez mélanger des caractéristiques secondaires via les colonnes utilisateur et article. Une subtilité est qu'il nécessite un nombre minimal d'interactions par utilisateur et par article, et les éléments de démarrage à froid (cold-start) nécessitent des solutions de secours basées sur le contenu. Dans un scénario réaliste, une équipe de commerce électronique injecte des événements d'achat et de flux de clics dans une table BigQuery, entraîne le modèle sur place et génère des recommandations avec ML.RECOMMEND, évitant ainsi l'infrastructure Vertex AI tout en maintenant les données gouvernées et en minimisant l'ingénierie des caractéristiques manuelle.

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.