MoyenneChoix multiples

Question d'entraînement PMLE

Une équipe de Machine Learning collabore sur un projet utilisant Vertex AI Experiments pour suivre les exécutions d'entraînement de modèles. Elle souhaite s'assurer que tous les membres de l'équipe peuvent reproduire n'importe quel expérience en utilisant le même code, les mêmes données et le même environnement. Quelles TROIS actions l'équipe doit-elle entreprendre ?

Choisissez toutes les bonnes réponses.

Bonnes réponses

  • AStocker le code d'entraînement dans un Cloud Source Repository et étiqueter les commits avec l'ID d'expérience.
  • BCréer une image de conteneur personnalisée pour l'entraînement et la pousser vers Artifact Registry avec un tag fixe.
  • CEnregistrer le chemin et la version du jeu de données d'entraînement dans les paramètres de l'expérience.

Explication

Le stockage du code d'entraînement dans Cloud Source Repositories et le marquage des commits avec l'ID d'expérience créent un lien immaturable et versionné entre la révision exacte du code et l'exécution de Vertex AI Experiment, ce qui est essentiel pour la reproductibilité. L'empaquetage de l'environnement d'entraînement dans une image de conteneur personnalisée poussée vers Artifact Registry avec un tag fixe (immuable) garantit que chaque membre de l'équipe exécute exactement les mêmes dépendances, bibliothèques et runtime, éliminant ainsi la dérive de l'environnement. L'enregistrement du chemin et de la version du jeu de données en tant que paramètres d'expérience dans Vertex AI Experiments capture l'instantané de données exact utilisé, de sorte que les mêmes entrées peuvent être récupérées et réutilisées. Le partage d'une clé de compte de service est un anti-patron de gestion des informations d'identification non sécurisé et ne contribue pas en soi à la reproductibilité du code, des données ou de l'environnement. L'optimisation des hyperparamètres optimise les performances du modèle et ne garantit pas en soi que le code, les données et l'environnement sont figés et reproductibles.

Pourquoi chaque option est juste ou fausse

A

Juste

Stocker le code d'entraînement dans un Cloud Source Repository et étiqueter les commits avec l'ID d'expérience.

L'étiquetage des commits dans Cloud Source Repositories lie chaque expérience Vertex AI à une révision de code immuable. Cela satisfait à la reproductibilité en permettant à tout membre de l'équipe de vérifier le commit exact qui a produit une exécution donnée, au lieu de s'appuyer sur une branche mutable.

B

Juste

Créer une image de conteneur personnalisée pour l'entraînement et la pousser vers Artifact Registry avec un tag fixe.

Un conteneur personnalisé poussé vers Artifact Registry avec un tag fixe fige les bibliothèques, dépendances et runtime exacts utilisés pour l'entraînement. Cela satisfait à l'exigence de reproductibilité de l'environnement, car la même image immuable peut être tirée et réexécutée par n'importe quel membre de l'équipe.

C

Juste

Enregistrer le chemin et la version du jeu de données d'entraînement dans les paramètres de l'expérience.

L'enregistrement du chemin et de la version du jeu de données en tant que paramètres d'expérience capture quelle génération de données exacte a entraîné le modèle. Cela satisfait à l'exigence de reproductibilité des données, car les coéquipiers peuvent récupérer le jeu de données identique plutôt qu'un bucket dont le contenu peut avoir changé.

D

Fausse

Partager une clé de compte de service avec tous les membres de l'équipe afin qu'ils puissent accéder aux mêmes ressources.

Une clé de compte de service partagée est une information d'identification à longue durée de vie qui ne peut pas attribuer les exécutions à des individus et ne constitue pas un mécanisme de reproductibilité pour le code, les données ou l'environnement. Elle est tentante car elle accorde rapidement un accès uniforme aux ressources, ce qui convient aux démonstrations de courte durée, mais la reproductibilité de Vertex AI Experiments nécessite des jeux de données versionnés, des conteneurs et des paramètres suivis.

E

Fausse

Utiliser le travail d'optimisation des hyperparamètres de Vertex AI pour trouver automatiquement les meilleurs paramètres.

L'optimisation des hyperparamètres recherche des paramètres optimaux au sein d'une seule expérience ; elle ne versionne ni le code, ni les données, ni l'environnement, et ne les enregistre pas non plus pour une relecture. Elle est tentante car les tâches d'optimisation apparaissent dans Vertex AI Experiments, mais la reproductibilité exige des artefacts et des paramètres enregistrés, et non une recherche automatisée de paramètres.

Pour aller plus loin

La reproductibilité dans Vertex AI Experiments nécessite la capture de trois artefacts : le code, l'environnement et les données. Le stockage du code d'entraînement dans Cloud Source Repositories avec des commits étiquetés par l'ID d'expérience lie chaque exécution à une révision de code immuable. La création d'un conteneur personnalisé et son envoi vers Artifact Registry avec un tag fixe figent les versions des bibliothèques et les dépendances système, évitant ainsi la dérive par rapport aux tags latest mutables. L'enregistrement du chemin et de la version du jeu de données en tant que paramètres d'expérience documente exactement quel instantané de données a été utilisé. Une subtilité : Vertex AI Experiments enregistre les paramètres, les métriques et les artefacts, mais ne prend pas automatiquement d'instantanés du code ou des données, de sorte que les équipes doivent les versionner délibérément. En pratique, ce trio permet à un coéquipier des mois plus tard de réexécuter une expérience et d'obtenir des résultats comparables, ce que les clés de compte de service partagées ou l'optimisation des hyperparamètres seules ne peuvent garantir.

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.