FacileChoix unique

Question d'entraînement PMLE

Une entreprise souhaite prédire le taux de résiliation des clients à l'aide d'un ensemble de données contenant 10 000 lignes et 20 caractéristiques. Ils n'ont aucune expertise en ML. Quelle solution low-code doivent-ils utiliser ?

Choisissez la meilleure réponse.

Bonne réponse

  • DVertex AI AutoML Tables

Explication

Vertex AI AutoML Tables est la solution low-code adaptée car elle permet aux utilisateurs sans expertise en ML d'entraîner des modèles tabulaires de haute qualité sur des données structurées (10 000 lignes, 20 caractéristiques) sans écrire de code. Elle automatise l'ingénierie des caractéristiques, la sélection des modèles et l'optimisation des hyperparamètres, et fournit une UI simple pour importer des données et obtenir des prédictions. Cela correspond directement à l'exigence d'une solution low-code sans expertise pour un problème de prédiction de résiliation sur données tabulaires.

Pourquoi chaque option est juste ou fausse

A

Fausse

Kubeflow Pipelines

Kubeflow Pipelines orchestre des flux de travail d'entraînement conteneurisés ; il ne fournit aucune sélection de modèle automatisée, gestion de caractéristiques ou déploiement pour les non-experts. C'est l'outil adéquat lorsqu'une équipe dispose déjà d'ingénieurs ML ayant besoin d'une orchestration de pipelines reproductible et évolutable sur de nombreux modèles.

B

Fausse

Custom TensorFlow model

TensorFlow nécessite d'écrire et d'ajuster du code d'entraînement, ce que l'équipe sans expertise ne peut pas faire, et il ne fournit aucune interface gérée low-code. Les frameworks personnalisés sont le bon choix lorsque des architectures sur mesure ou des fonctions de perte sont nécessaires au-delà de ce qu'un service AutoML propose.

C

Fausse

BigQuery ML

BigQuery ML nécessite d'écrire des instructions SQL CREATE MODEL et de choisir des types de modèles, ce qui dépasse les besoins d'une équipe sans expertise en ML ; il convient aux analystes qui maîtrisent déjà le SQL et souhaitent un entraînement directement dans l'entrepôt de données. Le scénario appelle plutôt un outil visuel sans code tel que Vertex AI AutoML.

D

Juste

Vertex AI AutoML Tables

Vertex AI AutoML Tables s'adapte à la contrainte de non-expertise : il sélectionne automatiquement des algorithmes, conçoit des caractéristiques et ajuste des hyperparamètres sur des données tabulaires, de sorte que l'équipe n'a besoin d'aucune connaissance en ML. Il gère directement 10 000 lignes et 20 caractéristiques, satisfaisant l'exigence low-code sans développement manuel de modèle.

Pour aller plus loin

Vertex AI AutoML Tables entraîne et ajuste des modèles sur des données tabulaires sans exiger de l'utilisateur qu'il sélectionne des algorithmes ou écrive du code d'entraînement, exposant le flux de travail via la console, gcloud ou le Vertex AI SDK. Elle effectue automatiquement l'ingénierie des caractéristiques, divise les données et exécute la recherche d'architecture, puis déploie le modèle gagnant sur un point de terminaison pour une prédiction en ligne ou par lots. Une subtilité : AutoML Tables requiert un minimum de 1 000 lignes par jeu d'entraînement et un maximum de 100 millions, et la colonne cible doit être catégorielle ou numérique, de sorte qu'un jeu de données de résiliation de 10 000 lignes et 20 caractéristiques s'intègre confortablement. BigQuery ML est également low-code mais suppose la maîtrise du SQL, tandis qu'AutoML Tables cible les utilisateurs sans bagage en ML, ce qui en fait le meilleur choix en l'absence d'expertise.

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.