Respostas corretas
- CRetreinar o modelo automaticamente quando o drift exceder os limites
- DConfigurar o Vertex AI Model Monitoring para emitir alertas sobre alterações na distribuição de recursos
Explicação
O Vertex AI Model Monitoring é o serviço dedicado para detectar data drift em produção; ele analisa continuamente as solicitações de previsão recebidas em comparação com uma linha de base e emite alertas quando as alterações na distribuição de recursos (por exemplo, training-serving skew ou drift) excedem os limites configurados. O retreinamento automatizado acionado quando o drift excede os limites é a ação de mitigação recomendada, fechando o ciclo da detecção à remediação para que o modelo permaneça alinhado com os dados atuais. Juntos, D fornece a detecção e C fornece a mitigação, que é exatamente o que a questão pede. A opção A não é recomendada porque usar um ensemble de vários modelos aborda a variância/acurácia de predição, e não a detecção ou mitigação de data drift. A opção B não é recomendada porque a revisão manual diária não escala e não consegue quantificar de forma confiável o drift de distribuição. A opção E não é recomendada porque monitorar erros de predição ou baixa confiança detecta a degradação de desempenho, mas não identifica especificamente o drift na distribuição de recursos nem o mitiga.
Para se aprofundar
O Vertex AI Model Monitoring anexa um trabalho de monitoramento a um endpoint de modelo implantado e compara as solicitações de previsão recebidas com uma distribuição de linha de base capturada a partir do treinamento ou de um conjunto de dados de referência, calculando métricas como a divergência de Jensen-Shannon para recursos categóricos e a distância L-infinity para numéricos. Quando um recurso ultrapassa seu limite configurado, o trabalho grava um alerta no Cloud Logging, o qual pode acionar uma Cloud Function ou um push do Pub/Sub. Emparelhar isso com o retreinamento automatizado fecha o ciclo: um pipeline executa novamente o treinamento em dados rotulados recentes e implanta uma nova versão do modelo. Uma sutileza é que o monitoramento precisa de uma taxa de amostragem e detecção de training-serving skew configuradas, e os alertas de drift isolados não consertam a acurácia. Isso importa na detecção de fraude, onde os padrões de gastos mudam e a degradação silenciosa custa dinheiro.
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.