MoyenneChoix unique

Question d'entraînement AI-900

Qu'est-ce qu'un pipeline ML dans Azure Machine Learning ?

Choisissez la meilleure réponse.

Bonne réponse

  • BUn flux de travail d'étapes connectées pour automatiser le processus ML de bout en bout

Explication

Un pipeline ML dans Azure Machine Learning est un flux de travail d'étapes connectées qui automatise le processus d'apprentissage automatique de bout en bout, y compris la préparation des données, l'entraînement, l'évaluation et le déploiement. Cela permet la reproductibilité, la réutilisabilité et l'orchestration de tâches ML complexes sans intervention manuelle.

Pourquoi chaque option est juste ou fausse

A

Fausse

L'infrastructure réseau connectant les nœuds de calcul Azure ML

Un pipeline ML est un flux de travail réutilisable d'étapes connectées telles que la préparation des données, l'entraînement et le déploiement, et non un câblage ou un réseau de calcul. C'est tentant car les pipelines orchestrent le calcul distribué, mais la couche réseau est provisionnée séparément par l'infrastructure Azure ML.

B

Juste

Un flux de travail d'étapes connectées pour automatiser le processus ML de bout en bout

Un flux de travail d'étapes connectées répond directement à l'exigence de la question de définir un pipeline ML, en automatisant le processus d'apprentissage automatique de bout en bout, de la préparation des données à l'entraînement et jusqu'au déploiement. Cela le distingue d'une seule exécution d'entraînement ou d'un modèle enregistré, qui couvrent une seule étape plutôt que toute la séquence orchestrée.

C

Fausse

Un service de streaming de données pour les prédictions de modèles en temps réel

Un pipeline ML est un flux de travail planifié d'étapes réutilisables qui orchestre l'entraînement, la préparation des données et le déploiement ; il ne diffuse pas de données en continu et ne sert pas de prédictions en temps réel. Azure Stream Analytics est tentant car il gère l'ingestion d'événements continus, mais il s'agit d'un service d'analyse de streaming, et non d'une construction d'orchestration ML.

D

Fausse

Un dépôt GitHub pour stocker le code des modèles ML

Un pipeline ML est un flux de travail planifié d'étapes connectées qui automatise l'entraînement, l'évaluation et le déploiement ; ce n'est pas un dépôt de code. C'est tentant car les pipelines contiennent du code, et un dépôt GitHub serait le bon choix pour le contrôle de version de ce code, et non pour orchestrer des exécutions.

Pour aller plus loin

Un pipeline Azure Machine Learning est un graphe orienté acyclique (DAG) d'étapes, chaque étape étant un composant qui fait référence à un script, un environnement et une cible de calcul. La définition du pipeline est versionnée et peut être publiée en tant qu'endpoint REST, permettant des réexécutions planifiées ou déclenchées avec différents paramètres d'entrée. Un comportement subtil : les étapes transmettent des données via des entrées et sorties nommées, et Azure ML met en cache les résultats des étapes en fonction du code, de l'environnement et des entrées, de sorte que les étapes inchangées sont ignorées lors d'une nouvelle exécution, ce qui accélère l'itération mais peut surprendre les utilisateurs s'attendant à une réexécution complète. En pratique, cela compte pour MLOps : un pipeline d'entraînement peut enchaîner la préparation des données, l'entraînement, l'évaluation et l'enregistrement, et seule l'étape modifiée est réexécutée après une modification du code.

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.