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.