DifficileChoix multiples

Question d'entraînement PMLE

Quelles sont les DEUX actions recommandées pour détecter et atténuer la dérive des données (data drift) dans un système de ML en production sur Vertex AI ?

Choisissez toutes les bonnes réponses.

Bonnes réponses

  • CRéentraîner automatiquement le modèle lorsque la dérive dépasse les seuils
  • DConfigurer Vertex AI Model Monitoring pour alerter sur les changements de distribution des caractéristiques

Explication

L'option D est correcte car Vertex AI Model Monitoring est le service conçu spécifiquement pour détecter la dérive des données en production ; il analyse en continu les requêtes de prédiction entrantes par rapport à une référence et émet une alerte lorsque les modifications de la distribution des caractéristiques (par exemple, le biais d'entraînement-service ou la dérive) dépassent les seuils configurés. L'option C est correcte car le réentraînement automatisé déclenché lorsque la dérive dépasse les seuils est l'action d'atténuation recommandée, bouclant la boucle de la détection à la correction afin que le modèle reste aligné sur les données actuelles. Ensemble, D fournit la détection et C fournit l'atténuation, ce qui correspond exactement à ce que demande la question. L'option A n'est pas recommandée car l'utilisation de modèles en ensemble traite la variance/précision des prédictions, et non la détection ou l'atténuation de la dérive des données. L'option B n'est pas recommandée car l'examen manuel quotidien n'est pas évolutif et ne peut pas quantifier de manière fiable la dérive distributionnelle. L'option E n'est pas recommandée car la surveillance des erreurs de prédiction ou de la faible confiance détecte la dégradation des performances mais n'identifie pas spécifiquement la dérive de la distribution des caractéristiques ni ne l'atténue.

Pourquoi chaque option est juste ou fausse

A

Fausse

Déployer plusieurs modèles et utiliser un ensemble pour moyenner les prédictions

L'utilisation d'ensembles moyenne les prédictions pour augmenter la précision ; elle ne mesure ni ne corrige le déplacement de la distribution des entrées, de sorte que la dérive passe inaperçue. Les ensembles conviennent pour réduire la variance ou améliorer la robustesse sur des données stables. La détection de la dérive nécessite que Vertex AI Model Monitoring compare les distributions de caractéristiques de service à la référence d'entraînement.

B

Fausse

Examiner manuellement les prédictions du modèle chaque jour

L'examen manuel quotidien ne passe pas à l'échelle et ne peut pas quantifier statistiquement la dérive ; Vertex AI Model Monitoring calcule automatiquement les métriques de biais de distribution et de dérive par rapport à une référence d'entraînement, déclenchant des alertes. L'inspection humaine convient aux vérifications ponctuelles à faible volume ou à la validation d'une anomalie suspectée, et non à la détection continue de la dérive sur le trafic de production.

C

Juste

Réentraîner automatiquement le modèle lorsque la dérive dépasse les seuils

Le réentraînement automatisé répond directement à l'exigence d'atténuation : lorsque Vertex AI Model Monitoring signale une dérive au-delà des seuils configurés, un pipeline déclenché réentraîne le modèle sur des données récentes, rétablissant l'alignement entre le modèle et la distribution de production modifiée. La seule détection est insuffisante ; cela boucle la boucle en agissant sur le signal de dérive plutôt que de se contenter de le signaler.

D

Juste

Configurer Vertex AI Model Monitoring pour alerter sur les changements de distribution des caractéristiques

Vertex AI Model Monitoring calcule en continu les statistiques de distribution des caractéristiques et les compare à la référence d'entraînement, déclenchant des alertes lorsque le biais ou la dérive dépasse les seuils configurés. Cela répond directement à l'exigence de détecter la dérive des données en production, permettant un réentraînement ou une atténuation en temps opportun avant que la qualité des prédictions ne se dégrade.

E

Fausse

Surveiller les erreurs de prédiction et signaler lorsque la confiance est faible

Les indicateurs de faible confiance signalent des prédictions individuelles incertaines, et non des déplacements dans la distribution des caractéristiques d'entrée, de sorte que la dérive progressive reste cachée. La surveillance de la confiance convient pour intercepter des inférences uniques hors distribution ou pour acheminer vers un examen humain. La détection de la dérive nécessite que Vertex AI Model Monitoring compare les distributions de service à la référence d'entraînement.

Pour aller plus loin

Vertex AI Model Monitoring associe une tâche de surveillance à un point de terminaison de modèle déployé et compare les requêtes de prédiction entrantes à une distribution de référence capturée à partir de l'entraînement ou d'un jeu de données de référence, en calculant des métriques telles que la divergence de Jensen-Shannon pour les caractéristiques catégorielles et la distance L-infini pour les numériques. Lorsqu'une caractéristique franchit son seuil configuré, la tâche écrit une alerte dans Cloud Logging, ce qui peut déclencher une fonction Cloud Function ou une publication Pub/Sub. Associer cela à un réentraînement automatisé boucle la boucle : un pipeline réexécute l'entraînement sur des données étiquetées récentes et redéploie une nouvelle version du modèle. Une subtilité est que la surveillance nécessite un taux d'échantillonnage et la détection du biais d'entraînement-service configurés, et les alertes de dérive seules ne corrigent pas la précision. Cela importe dans la détection des fraudes, où les habitudes de dépenses changent et la dégradation silencieuse coûte de l'argent.

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.