FácilMúltipla escolha

Questão de prática de MLA-C01

Exhibit

Refer to the exhibit.
```
2024-01-15 10:23:45,123 [INFO] Starting inference at endpoint ...
2024-01-15 10:23:45,456 [ERROR] Model output contains NaN values.
2024-01-15 10:23:45,457 [WARN] Input feature x has value -9999.0 which is unusual.
```

Consulte a imagem. Um cientista de dados revisa os CloudWatch Logs de um endpoint em tempo real do Amazon SageMaker. Qual é a causa raiz MAIS provável da saída NaN?

Escolha a melhor resposta.

Resposta correta

  • BOs dados de entrada contêm valores fora do intervalo não vistos durante o treinamento, fazendo com que o modelo retorne NaN.

Explicação

A saída NaN (Not a Number) de um endpoint em tempo real do SageMaker é mais comumente causada por dados de entrada contendo valores fora do intervalo visto durante o treinamento. Isso pode levar à instabilidade numérica na passagem direta (forward pass) do modelo, como divisão por zero, log de zero ou estouro de expoente (overflow), que se propaga através das camadas e resulta em previsões NaN.

Por que cada alternativa está certa ou errada

A

Incorreta

Os pesos do modelo foram corrompidos devido a um erro de gravação em disco.

Erros de gravação em disco corrompendo os pesos apareceriam como falhas de carga ou de soma de verificação (checksum) na inicialização do endpoint, e não como previsões NaN de um endpoint que está em execução. A corrupção é a causa correta quando os logs mostram erros de integridade de artefatos, mas a imagem indica valores de características malformados passados no momento da inferência.

B

Correta

Os dados de entrada contêm valores fora do intervalo não vistos durante o treinamento, fazendo com que o modelo retorne NaN.

Entradas fora do intervalo violam a distribuição de características que o modelo aprendeu, de modo que as ativações ou os gradientes estouram (overflow) e produzem NaN. Isso atende diretamente ao cenário de endpoint em tempo real do enunciado: os CloudWatch Logs capturam anomalias no momento da inferência, e valores extremos não vistos são o gatilho mais provável em vez de falhas de treinamento ou de infraestrutura.

C

Incorreta

O endpoint está sobrecarregado e retornando uma resposta NaN padrão.

A sobrecarga produz throttling, timeouts ou respostas 5xx, e não valores NaN; o SageMaker não substitui NaN como padrão. A sobrecarga é o diagnóstico correto quando os logs mostram picos de latência e erros de capacidade, enquanto a saída NaN se origina na própria entrada de inferência ou no cálculo do modelo.

D

Incorreta

O artefato do modelo falhou ao carregar corretamente, resultando em pesos NaN.

Uma falha no carregamento de artefatos normalmente faz com que a invocação do endpoint falhe imediatamente ou retorne um erro, e não emita silenciosamente previsões NaN. O carregamento de artefatos é o suspeito correto quando os logs mostram erros de inicialização de contêiner ou desserialização, mas a imagem aponta para dados de entrada contendo nulos que chegam ao modelo.

Para se aprofundar

Os endpoints em tempo real do SageMaker registram erros de inferência e problemas de payload nos CloudWatch Logs. Uma saída NaN surge mais comumente quando as características de entrada caem fora da distribuição com a qual o modelo foi treinado, produzindo instabilidade numérica como estouro (overflow), divisão por zero ou operações indefinidas no grafo do modelo. Pesos corrompidos ou uma falha no carregamento de artefatos normalmente impediriam o endpoint de atender requisições ou produziriam erros consistentes no momento do carregamento, e não NaNs dependentes da entrada. A sobrecarga retorna limitação de taxa (throttling) ou erros 5xx, e não NaN. Na prática, valide os intervalos de características de entrada, adicione validação ou corte de entradas (clipping) e monitore o desvio de dados (data drift). Se apenas determinadas solicitações gerarem NaN, os dados de entrada são a causa provável, razão pela qual valores fora do intervalo são a causa raiz mais provável.

Sobre estas questões de prática

Esta é uma das questões de prática originais de MLA-C01 da Courseiva, escrita para o aprendizado e nunca copiada de provas reais nem de dumps.

Traduzida do original em inglês com IA e conferida quanto ao sentido. Códigos de exame, comandos e nomes de produtos são mantidos como aparecem na prova.