MédiaVárias respostas

Questão de prática de PMLE

Uma equipe de aprendizado de máquina está colaborando em um projeto usando o Vertex AI Experiments para rastrear execuções de treinamento de modelos. Eles querem garantir que todos os membros da equipe possam reproduzir qualquer experimento usando o mesmo código, dados e ambiente. Quais TRÊS ações a equipe deve tomar?

Escolha todas as respostas corretas.

Respostas corretas

  • AArmazenar o código de treinamento em um Cloud Source Repository e marcar os commits com o ID do experimento.
  • BConstruir uma imagem de contêiner personalizada para treinamento e enviá-la para o Artifact Registry com uma tag fixa.
  • CRegistrar o caminho e a versão do conjunto de dados de treinamento nos parâmetros do experimento.

Explicação

Armazenar o código de treinamento em Cloud Source Repositories e marcar os commits com o ID do experimento cria um link imutável e versionado entre a revisão exata do código e a execução do Vertex AI Experiment, o que é essencial para a reprodutibilidade. Empacotar o ambiente de treinamento em uma imagem de contêiner personalizada enviada para o Artifact Registry com uma tag fixa (imutável) garante que cada membro da equipe execute exatamente as mesmas dependências, bibliotecas e tempo de execução, eliminando o desvio de ambiente. Registrar o caminho e a versão do conjunto de dados como parâmetros de experimento no Vertex AI Experiments captura o instantâneo de dados exato usado, para que as mesmas entradas possam ser recuperadas e reutilizadas. Compartilhar uma chave de conta de serviço é um antipadrão inseguro de gerenciamento de credenciais e não contribui por si só para a reprodutibilidade de código, dados ou ambiente. A otimização de hiperparâmetros otimiza o desempenho do modelo e não garante por si só que o código, os dados e o ambiente estejam fixados e sejam reproduzíveis.

Por que cada alternativa está certa ou errada

A

Correta

Armazenar o código de treinamento em um Cloud Source Repository e marcar os commits com o ID do experimento.

Rotular commits em Cloud Source Repositories vincula cada experimento do Vertex AI a uma revisão de código imutável. Isso satisfaz a reprodutibilidade, permitindo que qualquer membro da equipe verifique o commit exato que produziu uma determinada execução, em vez de depender de uma ramificação mutável.

B

Correta

Construir uma imagem de contêiner personalizada para treinamento e enviá-la para o Artifact Registry com uma tag fixa.

Um contêiner personalizado enviado para o Artifact Registry com uma tag fixa congela as bibliotecas, dependências e tempo de execução exatos usados para o treinamento. Isso atende ao requisito de reprodutibilidade do ambiente, uma vez que a mesma imagem imutável pode ser puxada e executada novamente por qualquer membro da equipe.

C

Correta

Registrar o caminho e a versão do conjunto de dados de treinamento nos parâmetros do experimento.

Registrar o caminho e a versão do conjunto de dados como parâmetros de experimento captura qual geração de dados exata treinou o modelo. Isso satisfaz o requisito de reprodutibilidade de dados, já que os colegas de equipe podem recuperar o conjunto de dados idêntico em vez de um bucket cujo conteúdo pode ter mudado.

D

Incorreta

Compartilhar uma chave de conta de serviço com todos os membros da equipe para que eles possam acessar os mesmos recursos.

Uma chave de conta de serviço compartilhada é uma credencial de longa duração que não pode atribuir execuções a indivíduos e não é um mecanismo de reprodutibilidade para código, dados ou ambiente. É tentadora porque concede acesso uniforme a recursos rapidamente, o que atende a demonstrações de curta duração, mas a reprodutibilidade do Vertex AI Experiments exige conjuntos de dados versionados, contêineres e parâmetros rastreados.

E

Incorreta

Usar o trabalho de otimização de hiperparâmetros do Vertex AI para encontrar automaticamente os melhores parâmetros.

A otimização de hiperparâmetros busca parâmetros ótimos dentro de um único experimento; ela não versiona o código, os dados ou o ambiente nem os registra para reprodução. É tentadora porque os trabalhos de otimização aparecem no Vertex AI Experiments, mas a reprodutibilidade exige artefatos e parâmetros registrados, e não uma busca automatizada de parâmetros.

Para se aprofundar

A reprodutibilidade no Vertex AI Experiments requer a captura de três artefatos: código, ambiente e dados. Armazenar o código de treinamento em Cloud Source Repositories com commits rotulados pelo ID do experimento vincula cada execução a uma revisão de código imutável. Construir um contêiner personalizado e enviá-lo para o Artifact Registry com uma tag fixa fixa as versões das bibliotecas e as dependências do sistema, evitando desvios de tags latest mutáveis. Registrar o caminho e a versão do conjunto de dados como parâmetros de experimento documenta exatamente qual instantaneidade de dados foi usada. Uma sutileza: o Vertex AI Experiments registra parâmetros, métricas e artefatos, mas não captura automaticamente o código ou os dados, portanto, as equipes devem versioná-los deliberadamente. Na prática, esse trio permite que um colega de equipe meses depois execute novamente um experimento e obtenha resultados comparáveis, o que chaves de contas de serviço compartilhadas ou otimização de hiperparâmetros sozinhas não podem garantir.

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.