CertPass

Question 106

あなたはソーシャルメディア企業に勤務しています。ファッションアクセサリーを識別するために、iOSモバイルアプリケーション向けのノーコード画像分類モデルを作成したいと考えています。Cloud Storageにラベル付けされたデータセットがあります。コストを最小限に抑え、可能な限り低いレイテンシで予測を提供できるトレーニングワークフローを設定する必要があります。どうすべきでしょうか？

AutoMLを使用してモデルをトレーニングし、Vertex AI Model Registryにモデルを登録します。予測時にモバイルアプリケーションがバッチリクエストを送信するように設定します。

AutoML Edgeを使用してモデルをトレーニングし、Core MLモデルとしてエクスポートします。モバイルアプリケーションが.mlmodelファイルを直接使用するように設定します。

AutoML Edgeを使用してモデルをトレーニングし、TFLiteモデルとしてエクスポートします。モバイルアプリケーションが.tfliteファイルを直接使用するように設定します。

AutoMLを使用してモデルをトレーニングし、Vertex AIエンドポイントとしてモデルを公開します。予測時にモバイルアプリケーションがエンドポイントを呼び出すように設定します。

Question 107

あなたは小売企業に勤務しています。特定日に顧客が商品を購入するかどうかを予測するモデルを開発するよう依頼されました。あなたのチームは会社の販売データを処理し、以下の列を持つテーブルを作成しました。 • Customer_id（顧客ID） • Product_id（商品ID） • Date（日付） • Days_since_last_purchase（最終購入からの経過日数、単位：日） • Average_purchase_frequency（平均購入頻度、単位：1/日） • Purchase（購入、顧客がその日に商品を購入したかどうかを示す二値クラス）個々の予測に対するモデルの結果を解釈する必要があります。どうすればよいですか。

BigQuery テーブルを作成します。BigQuery ML を使用してブーステッドツリー分類器を構築します。ツリーの分割ルールを検査して、各予測がツリーをどのように通過するかを理解します。

Vertex AI 表形式データセットを作成します。顧客の購入を予測する AutoML モデルをトレーニングします。モデルを Vertex AI エンドポイントにデプロイし、特徴量アトリビューションを有効にします。「explain」メソッドを使用して、個々の予測に対する特徴量アトリビューション値を取得します。

BigQuery テーブルを作成します。BigQuery ML を使用してロジスティック回帰分類モデルを構築します。モデルの係数値を使用して特徴量の重要度を解釈し、値が高いほど重要度が高いとします。

Vertex AI 表形式データセットを作成します。顧客の購入を予測する AutoML モデルをトレーニングします。モデルを Vertex AI エンドポイントにデプロイします。各予測時に、L1 正則化を有効にして情報量の少ない特徴量を検出します。

Question 108

あなたは、小売店のレジエリアのライブ映像を撮影している会社で働いています。そのライブ映像を使用して、ほぼリアルタイムでサービスを待っている顧客の数を検出するモデルを構築する必要があります。迅速かつ最小限の労力でソリューションを実装したいと考えています。どのようにモデルを構築すべきですか？

Vertex AI Vision の占有分析モデルを使用する。

Vertex AI Vision の人物/車両検出モデルを使用する。

Vertex AutoML を使用して、アノテーション付きデータセットで AutoML 物体検出モデルをトレーニングする。

Vertex AutoML を使用して、アノテーション付きデータセットで Seq2Seq+ 物体検出モデルをトレーニングする。

Question 109

あなたは大手銀行のアナリストとして勤務しています。複数の回帰モデルと分類モデルを学習するための、堅牢でスケーラブルなMLパイプラインを開発しています。このパイプラインにおけるあなたの主な焦点は、モデルの解釈可能性です。あなたはこのパイプラインをできるだけ早く本番稼働させたいと考えています。何をすべきでしょうか？

Vertex AI Pipelines を介した Wide & Deep のための表形式ワークフローを使用して、ワイド線形モデルとディープニューラルネットワークを共同で学習させる

Google Kubernetes Engine を使用して、XGBoost ベースのモデル用のカスタム学習パイプラインを構築する

Vertex AI Pipelines を介した TabNet のための表形式ワークフローを使用して、アテンションベースのモデルを学習させる

Cloud Composer を使用して、カスタム深層学習ベースのモデル用の学習パイプラインを構築する

Question 110

あなたはテキスト翻訳のためのTransformerモデルをTensorFlowで開発しました。あなたの学習データは、Cloud Storageバケット内の数百万のドキュメントを含んでいます。学習時間を短縮するために分散学習を使用する予定です。コードの変更やクラスタ構成の管理に必要な労力を最小限に抑えつつ、学習ジョブを設定する必要があります。どうすべきでしょうか？

2番目のワーカープールにGPUアクセラレータを備えたVertex AIカスタム学習ジョブを作成します。分散にはtf.distribute.MultiWorkerMirroredStrategyを使用します。

Reduction Serverを備えたVertex AIカスタム分散学習ジョブを作成します。最初のワーカープールと2番目のワーカープールにはN1高メモリマシンタイプインスタンスを使用し、3番目のワーカープールにはN1高CPUマシンタイプインスタンスを使用します。

Cloud TPU VMを使用する学習ジョブを作成します。分散にはtf.distribute.TPUStrategyを使用します。

A2 GPUマシンタイプインスタンスの単一ワーカープールを備えたVertex AIカスタム学習ジョブを作成します。分散にはtf.distribute.MirroredStrategyを使用します。

Professional Machine Learning Engineer