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.
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.