DifícilVárias respostas

Questão de prática de PMLE

Quais TRÊS aspectos devem ser considerados ao configurar um pipeline de retreinamento automatizado usando o Vertex AI Pipelines e o Cloud Composer? (Escolha TRÊS).

Escolha todas as respostas corretas.

Respostas corretas

  • ADefinir limites de desempenho para novos modelos para decidir a implantação
  • COtimizar a alocação de recursos para controlar custos
  • EMonitorar o desvio de dados para acionar o retreinamento

Explicação

A opção A está correta porque um pipeline de retreinamento automatizado precisa de limites de desempenho definidos (por exemplo, portões de acurácia, AUC ou RMSE) para que um modelo recém-treinado seja promovido para implantação apenas quando superar ou atender demonstravelmente à métrica necessária, evitando regressão em produção. A opção C está correta porque o Vertex AI Pipelines executa etapas de treinamento, ajuste e avaliação em computação faturável, de modo que as escolhas de alocação de recursos, como tipo de máquina, uso de acelerador (GPU/TPU) e cache de pipeline, controlam diretamente o custo e devem ser planejadas para um ritmo de retreinamento sustentável. A opção E está correta porque o gatilho para o retreinamento é tipicamente o desvio de dados (data drift) ou desvio de conceito detectado por meio do Vertex AI Model Monitoring, que emite alertas que os DAGs do Cloud Composer podem consumir para iniciar o pipeline, tornando o monitoramento de desvio uma consideração fundamental de design. A opção B não é obrigatória: o ajuste de hiperparâmetros não precisa ser executado em cada ciclo de retreinamento, pois é caro e frequentemente necessário apenas quando o modelo ou a distribuição de dados muda substancialmente. A opção D não é relevante: a frequência de commits de código reflete o fluxo de trabalho do desenvolvedor, e não os gatilhos operacionais ou as decisões de recursos de um pipeline de retreinamento automatizado.

Por que cada alternativa está certa ou errada

A

Correta

Definir limites de desempenho para novos modelos para decidir a implantação

O retreinamento automatizado produz modelos candidatos que devem ser avaliados antes da implantação; definir limites de desempenho permite que o pipeline compare cada novo modelo com o atual e o promova apenas quando as métricas justificarem a substituição, evitando regressões silenciosas de qualidade em produção.

B

Incorreta

Incluir o ajuste de hiperparâmetros em cada execução de retreinamento

O ajuste de hiperparámetros busca parâmetros ideais para o modelo, e não a orquestração do pipeline, portanto, exigi-lo em cada execução de retreinamento multiplica o custo e o tempo de execução sem resolver o agendamento ou a atualização de dados. É tentador porque o ajuste realmente melhora a precisão do modelo, e seria correto quando o retreinamento é infrequente e os ganhos de precisão justificam a computação extra.

C

Correta

Otimizar a alocação de recursos para controlar custos

O Vertex AI Pipelines e o Cloud Composer consomem custos de computação e orquestração por execução, portanto, dimensionar tipos de máquina, ajustar etapas paralelas e programar a frequência de retreinamento controla o custo recorrente. Isso aborda a restrição operacional de sustentar o retreinamento automatizado economicamente em escala.

D

Incorreta

Frequência de commits de código no repositório

A frequência de commits reflete a velocidade de desenvolvimento, e não os gatilhos de retreinamento; os pipelines devem ser retreinados com base em desvio de dados, novos dados rotulados ou degradação de desempenho. É tentador porque commits frequentes sugerem alterações no código do modelo, mas o Vertex AI Pipelines e o Cloud Composer programam com base em dados e limites de métricas em vez disso.

E

Correta

Monitorar o desvio de dados para acionar o retreinamento

O monitoramento de desvio de dados detecta quando as distribuições de recursos de entrada divergem dos dados de treinamento, fornecendo a condição de gatilho que inicia o retreinamento. Sem a detecção de desvio, o pipeline retreina cegamente em um cronograma fixo ou estagna, atendendo diretamente ao requisito de automação.

Para se aprofundar

O Vertex AI Pipelines orquestra o retreinamento como um DAG de etapas em contêineres, enquanto o Cloud Composer (Airflow gerenciado) agenda e aciona esses pipelines por meio do operador Vertex AI. Como cada execução consome recursos de treinamento, ajuste e previsão, a alocação de recursos — tipos de máquina, contagens de aceleradores e autoscaling — governa diretamente o custo, portanto, ajustá-la é importante. A detecção de desvio de dados, normalmente por meio do Vertex AI Model Monitoring comparando distribuições de atendimento em tempo real com uma linha de base de treinamento usando métricas como divergência de Jensen-Shannon, emite sinais que devem acionar o retreinamento em vez de depender de um calendário fixo. Limites de desempenho controlam a promoção: um modelo recém-treinado só é implantado se métricas de avaliação como AUC o RMSE superarem o modelo anterior, evitando regressões silenciosas. O ajuste de hiperparámetros em cada execução multiplica o custo sem benefício garantido, e a frequência de commits é uma preocupação de CI, não uma entrada de design de pipeline.

Sobre estas questões de prática

Esta é uma das questões de prática originais de PMLE 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.