MédiaMúltipla escolha

Questão de prática de MLA-C01

Uma equipe de machine learning usa o SageMaker Pipelines para automatizar o retreinamento. Eles querem evitar a reexecução de etapas de processamento de dados se os dados não tiverem mudado desde a última execução bem-sucedida do pipeline. Qual recurso nativo eles devem habilitar?

Escolha a melhor resposta.

Resposta correta

  • APipeline caching

Explicação

O cache do pipeline é a escolha correta porque o SageMaker Pipelines pode armazenar em cache as saídas de cada etapa com base em um hash dos parâmetros de entrada, da configuração e do código da etapa. Se o hash corresponder a uma execução bem-sucedida anterior, a saída em cache será reutilizada, evitando a execução redundante de etapas de processamento de dados quando os dados subjacentes não tiverem mudado.

Por que cada alternativa está certa ou errada

A

Correta

Pipeline caching

O Pipeline caching ignora etapas cujas entradas, códigos e parâmetros não sofreram alterações desde a última execução bem-sucedida, reutilizando saídas anteriores. Isso atende ao requisito de evitar a reexecução do processamento de dados quando os dados não mudaram, reduzindo custos e tempo de execução.

B

Incorreta

Model lineage tracking

O Model lineage tracking registra as relações entre artefatos, conjuntos de dados e modelos para auditoria e governança; ele não controla a execução de etapas. É tentador porque faz referência a dados anteriores, mas a linhagem apenas documenta o histórico. O cache, que ignora etapas cujas entradas não mudaram, é o que evita a reexecução do processamento.

C

Incorreta

Parameterized pipeline executions

As execuções parametrizadas permitem fornecer valores diferentes por execução, portanto, cada execução ainda processa os dados do zero. É atraente porque os parâmetros podem sinalizar dados alterados, mas isso requer lógica personalizada. O cache ignora automaticamente etapas cujas entradas e argumentos correspondem a uma execução bem-sucedida anterior.

D

Incorreta

Step parallelism

O paralelismo de etapas executa etapas independentes do pipeline de forma concorrente, reduzindo a duração total; ele não armazena em cache nem ignora etapas cujas entradas não mudaram. É atraente quando os pipelines são lentos, mas o cache, que reutiliza saídas de etapas anteriores quando as entradas coincidem, é o recurso que evita o processamento redundante de dados.

Para se aprofundar

O cache do SageMaker Pipelines armazena as saídas de uma etapa concluída usando como chave um hash das entradas, do código e da configuração da etapa. Em uma execução subsequente, se esse hash corresponder, a etapa é ignorada e seus artefatos em cache são reutilizados, economizando tempo de computação e custos. O cache é habilitado por etapa por meio da propriedade CacheConfig com um tempo de vida em segundos, após o qual a entrada do cache expira e a etapa é executada novamente. Em um pipeline de retreinamento realista, a etapa de pré-processamento lê um conjunto de dados que não mudou, portanto, seu hit de cache evita a reexecução de trabalhos caros do Spark, enquanto a etapa de treinamento ainda é executada porque seus hiperparâmetros mudaram. Execuções parametrizadas e paralelismo de etapas afetam a orquestração, mas não ignoram trabalhos inalterados.

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.