MoyenneChoix unique

Question d'entraînement AI-900

Qu'est-ce que la 'soumission de tâche' (job submission) d'Azure Machine Learning et quels types de tâches d'entraînement sont pris en charge ?

Choisissez la meilleure réponse.

Bonne réponse

  • BSoumettre des scripts d'entraînement à un calcul géré — types de tâches command, sweep, pipeline et AutoML

Explication

La soumission de tâche d'Azure Machine Learning est le processus d'envoi d'un script d'entraînement à une cible de calcul gérée pour exécution. Les types de tâches pris en charge sont command (exécution d'un script), sweep (réglage des hyperparamètres), pipeline (flux de travail en plusieurs étapes) et AutoML (sélection et entraînement automatisés de modèles). Cela rend l'option B correcte car elle liste précisément ces quatre types de tâches.

Pourquoi chaque option est juste ou fausse

A

Fausse

Soumettre des candidatures pour rejoindre l'équipe d'ingénierie Azure AI chez Microsoft

La soumission de tâche dans Azure Machine Learning exécute des scripts d'entraînement sur des cibles de calcul ; cela n'a rien à voir avec le recrutement ou les demandes d'emploi. Elle n'est tentante que par le mot 'soumettre', mais le concept serait correct si la question concernait le dépôt d'une candidature pour un rôle dans cette équipe.

B

Juste

Soumettre des scripts d'entraînement à un calcul géré — types de tâches command, sweep, pipeline et AutoML

La soumission de tâche envoie un script ou une configuration d'entraînement à un calcul géré, où Azure Machine Learning gère l'orchestration. Les tâches de commande exécutent un seul script, les tâches de balayage règlent les hyperparamètres, les tâches de pipeline enchaînent les étapes et les tâches AutoML automatisent la sélection des modèles.

C

Fausse

Soumettre des prédictions de modèles sous forme de tâches par lots pour traiter de grands ensembles de données pendant la nuit

La prédiction par lots est une inférence sur un modèle déjà entraîné, et non une soumission de tâche d'entraînement, elle ne répond donc pas aux types de tâches d'entraînement pris en charge par Azure Machine Learning. Elle est tentante car les tâches par lots sont soumises via la même construction de tâche, mais elle serait correcte pour noter de grands ensembles de données hors ligne.

D

Fausse

Planifier l'exécution des tâches de surveillance des modèles pour vérifier la dérive des données

Les planifications de surveillance détectent la dérive sur les modèles déployés après l'entraînement ; ce ne sont pas des soumissions de tâches d'entraînement, elles ne décrivent donc pas les types de tâches d'entraînement pris en charge. C'est tentant car les planifications sont également des tâches, mais cela serait correct lors du maintien de la qualité des données d'un modèle en production.

Pour aller plus loin

La soumission de tâche Azure Machine Learning envoie un script d'entraînement ou une configuration à un calcul géré, où le service provisionne l'environnement, exécute la charge de travail et enregistre les métriques et les artefacts. Les types de tâches pris en charge incluent les tâches de commande pour un script unique, les tâches de balayage pour le réglage des hyperparamètres, les tâches de pipeline qui enchaînent plusieurs étapes et les tâches AutoML qui automatisent la sélection d'algorithmes et la création de caractéristiques. Une subtilité : les tâches s'exécutent dans des environnements Conda ou Docker isolés définis par la spécification de l'environnement, de sorte que les incompatibilités de dépendances apparaissent lors de la soumission plutôt que sur la machine locale. En pratique, un data scientist soumet une tâche de commande pour un modèle de base, puis une tâche de balayage pour l'ajuster, et enfin une tâche de pipeline pour orchestrer le réentraînement et l'enregistrement.

À propos de ces questions d'entraînement

Cette question fait partie des questions d'entraînement AI-900 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.