MédiaMúltipla escolha

Questão de prática de PMLE

Uma empresa de varejo deseja construir um sistema de recomendação de produtos usando o BigQuery ML para sua plataforma de e-commerce. Os dados incluem histórico de compras de clientes, metadados de produtos e logs de clickstream. O engenheiro de ML precisa minimizar a engenharia manual de recursos e aproveitar soluções pré-construídas. Qual abordagem o engenheiro deve adotar?

Escolha a melhor resposta.

Resposta correta

  • DUsar o modelo de fatoração de matrizes do BigQuery ML (CREATE MODEL com model_type='matrix_factorization') para treinar diretamente com base em dados históricos de interação.

Explicação

O modelo de fatoração de matrizes do BigQuery ML (model_type='matrix_factorization') é construído especificamente para sistemas de recomendação usando dados de feedback implícito ou explícito. Ele treina diretamente com base em dados históricos de interação (por exemplo, compras de usuário-item) sem exigir engenharia manual de recursos, alinhando-se ao objetivo de minimizar o esforço de ML de baixo código. Esta abordagem aproveita a interface SQL nativa do BigQuery e escala automaticamente, tornando-a ideal para o cenário de e-commerce descrito.

Por que cada alternativa está certa ou errada

A

Incorreta

Usar um modelo de recomendação pré-construído do Vertex AI Model Garden e implantá-lo em um endpoint.

Os modelos do Vertex AI Model Garden são executados fora do BigQuery, portanto, o histórico de compras e os dados de clickstream devem ser exportados e os recursos projetados manualmente, derrotando o requisito de minimizar a engenharia de recursos. O Model Garden é adequado para implantar modelos pré-treinados quando os dados já residem em pipelines do Vertex AI.

B

Incorreta

Escrever um modelo TensorFlow personalizado usando o serviço Vertex AI Training e implantá-lo via Vertex AI Prediction.

Um modelo TensorFlow personalizado exige engenharia manual de recursos e código de treinamento, contradizendo o requisito de minimizar esse trabalho. A fatoração de matrizes do BigQuery ML lida com isso dentro do SQL. O Vertex AI Training é escolhido quando arquiteturas ou frameworks personalizados são genuinamente necessários.

C

Incorreta

Exportar os dados para CSV e usar o AutoML Tables para treinar um modelo de recomendação.

Exportar para CSV e usar o AutoML Tables quebra o requisito do BigQuery ML e força a movimentação de dados mais a preparação de esquemas. O AutoML Tables é escolhido para classificação ou regressão tabular em conjuntos de dados exportados, não para modelagem de recomendação em banco de dados.

D

Correta

Usar o modelo de fatoração de matrizes do BigQuery ML (CREATE MODEL com model_type='matrix_factorization') para treinar diretamente com base em dados históricos de interação.

O modelo matrix_factorization do BigQuery ML aprende incorporações latentes de usuários e itens diretamente de dados históricos de interação, de modo que o histórico de compras e os logs de clickstream alimentam o treinamento sem recursos criados manualmente. Isso satisfaz a restrição do enunciado de minimizar a engenharia manual de recursos enquanto usa uma solução pré-construída, ao contrário de abordagens que exigem pipelines personalizados ou frameworks externos.

Para se aprofundar

A fatoração de matrizes do BigQuery ML treina um modelo de filtragem colaborativa diretamente no data warehouse usando CREATE MODEL com model_type='matrix_factorization', consumindo tabelas de interação usuário-item sem exportar dados ou construir incorporações (embeddings) manualmente. Sob o capot, ele aprende fatores latentes de usuários e itens minimizando o erro de reconstrução em interações observadas, e você pode mesclar recursos secundários por meio das colunas de usuário e item. Uma sutileza é que ele requer um número mínimo de interações por usuário e item, e itens de início frio precisam de fallbacks baseados em conteúdo. Em um cenário realista, uma equipe de e-commerce alimenta eventos de compra e clickstream em uma tabela do BigQuery, treina o modelo no local e gera recomendações com ML.RECOMMEND, evitando a infraestrutura do Vertex AI enquanto mantém os dados governados e minimiza a engenharia manual de recursos.

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.