Resposta correta
- CUsar uma ferramenta de controle de versão de dados (por exemplo, DVC) para rastrear conjuntos de dados e garantir que o pipeline sempre use a versão correta
Explicação
A causa raiz é uma incompatibilidade na versão dos dados, e não um problema de código ou de ambiente. Uma ferramenta de controle de versão de dados como o DVC (Data Version Control) rastreia versões de conjuntos de dados por meio de ponteiros baseados em hash no Git, garantindo que o pipeline recupere a versão exata do conjunto de dados usada durante o treinamento. Isso evita falhas silenciosas quando as etapas de processamento de dados alteram o esquema ou o conteúdo dos dados, o que o fixador de bibliotecas ou as revisões manuais não podem garantir.
Para se aprofundar
O DVC funciona armazenando um hash do conjunto de dados (por exemplo, MD5 ou SHA256) em um arquivo .dvc confirmado no Git, e os dados reais são armazenados em um cache remoto (por exemplo, S3, GCS). Quando o pipeline é executado, ele verifica a versão exata do conjunto de dados referenciada por esse hash, garantindo a reprodutibilidade mesmo se a etapa de processamento de dados mudar. Em um cenário do mundo real, se um engenheiro de dados modificar um script de pré-processamento que descarta colunas inadvertidamente, o DVC detectaria a alteração como uma nova versão do conjunto de dados, e o pipeline falharia na etapa de recuperação de dados em vez de treinar silenciosamente um modelo corrompido.
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.