DifícilMúltipla escolha

Questão de prática de PMLE

Uma equipe está construindo um pipeline de CI/CD para aprendizado de máquina (ML) usando o Cloud Build. O pipeline treina um modelo e o implanta no Vertex AI. Recentemente, uma alteração na etapa de processamento de dados fez com que o modelo fosse treinado com uma versão de dados diferente, levando a uma implantação malsucedida porque o modelo era inválido. Como a equipe deve evitar que isso aconteça no futuro?

Escolha a melhor resposta.

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.

Por que cada alternativa está certa ou errada

A

Incorreta

Adicionar uma etapa de revisão manual antes do treinamento

A revisão manual adiciona inspeção humana, mas não registra qual versão de dados treinou o modelo, portanto a incompatibilidade persiste. É tentadora como controle de governança e seria correta onde a aprovação regulatória ou a assinatura subjetiva do modelo for necessária antes do lançamento.

B

Incorreta

Fixar todas as versões de bibliotecas na imagem do Docker

A fixação de versões de bibliotecas corrige a reprodutibilidade dos pacotes Python, e não a versão dos dados consumida pela etapa de processamento. É tentadora porque a fixação de dependências é uma higiene padrão de CI/CD, e seria a correção certa se os resultados do treinamento divergissem devido a um framework ou biblioteca atualizados.

C

Correta

Usar 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

O DVC fixa cada conjunto de dados a uma versão imutável, para que o pipeline faça referência a uma revisão de dados explícita em vez do que a etapa de processamento produziu por último. Isso garante que o treinamento e a implantação usem a mesma versão, evitando a falha do modelo inválido.

D

Incorreta

Agendar uma tarefa cron (cron job) para verificar alterações de dados

Uma tarefa cron apenas relata que os dados mudaram; ela não pode vincular uma versão específica de conjunto de dados à execução de treinamento nem bloquear a implantação. É tentadora como monitoramento leve e serviria para alertar sobre a atualização de dados a montante onde nenhum lineage ou controle em nível de pipeline é necessário.

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.