CertPass

Question 111

あなたは、本番環境でカスタムモデルをトレーニングし実行するためのプロセスを開発しています。モデルと予測のリネージ（系統）を示すことができるようにする必要があります。どうすればよいですか？

1. Vertex AI マネージドデータセットを作成します。 2. Vertex AI トレーニングパイプラインを使用してモデルをトレーニングします。 3. Vertex AI でバッチ予測を生成します。

1. Vertex AI Pipelines のカスタムトレーニングジョブコンポーネントを使用してモデルをトレーニングします。 2. Vertex AI Pipelines のモデルバッチ予測コンポーネントを使用して予測を生成します。

1. データセットを BigQuery にアップロードします。 2. Vertex AI カスタムトレーニングジョブを使用してモデルをトレーニングします。 3. Vertex AI SDK のカスタム予測ルーチンを使用して予測を生成します。

1. Vertex AI Experiments を使用してモデルをトレーニングします。 2. Vertex AI モデルレジストリにモデルを登録します。 3. Vertex AI でバッチ予測を生成します。

Question 112

あなたの組織は、社内シャトルサービスのルートをより効率的にしたいと考えています。現在、シャトルは午前7時から午前10時までの間、30分ごとに市内のすべての乗車ポイントに停車しています。開発チームは既に、ユーザーが前日に乗車意思とシャトル停留所を確認する必要があるアプリケーションをGoogle Kubernetes Engine上に構築しています。あなたはどのようなアプローチを取るべきですか？

1. 各シャトル停留所で乗車する乗客数を予測する木ベースの回帰モデルを構築する。 2. 予測に基づいて、適切なサイズのシャトルを配車し、必要な停留所を示した地図を提供する。

1. 各シャトル停留所で乗客を乗せるべきかどうかを予測する木ベースの分類モデルを構築する。 2. 利用可能なシャトルを配車し、予測に基づいて必要な停留所を示した地図を提供する。

1. 最適なルートを、定員制約の下で、特定の時間に確定した出席者（乗車希望者）がいるすべてのシャトル停留所を通過する最短ルートとして定義する。 2. 適切なサイズのシャトルを配車し、必要な停留所を地図に示す。

1. シャトル停留所での乗客の存在をエージェントとして予測する木ベースの分類モデルと、距離ベースの指標を中心とした報酬関数を持つ強化学習モデルを構築する。 2. シミュレーション結果に基づいて、適切なサイズのシャトルを配車し、必要な停留所を示した地図を提供する。

Question 113

あなたは、以下のジョブ投入スクリプトを使用して、AI Platform上でテキストを要約するためのLSTMベースのモデルをトレーニングしています。 ``` gcloud ai-platform jobs submit training $JOB_NAME \ --package-path $TRAINER_PACKAGE_PATH \ --module-name $MAIN_TRAINER_MODULE \ --job-dir $JOB_DIR \ --region $REGION \ --scale-tier basic \ -- \ --epochs 20 \ --batch_size=32 \ --learning_rate=0.001 \ ``` モデルの精度を大幅に損なうことなく、トレーニング時間を最小限に抑えたいと考えています。何をすべきですか？

'epochs' パラメータを変更する。

'scale-tier' パラメータを変更する。

'batch size' パラメータを変更する。

'learning rate' パラメータを変更する。

Question 114

あなたはホテルに勤務しており、紙ベースの顧客フィードバックフォームからスキャンされた顧客のコメントを含むデータセットを扱っています。これらのコメントはPDFファイルとして保存されています。すべてのフォームは同じレイアウトです。各フォームの顧客コメントから、全体的な満足度スコアを迅速に予測する必要があります。このタスクをどのように達成すべきですか？

Vision APIを使用して各PDFファイルからテキストを解析します。Natural Language APIのanalyzeSentiment機能を使用して、全体的な満足度スコアを推測します。

Vision APIを使用して各PDFファイルからテキストを解析します。Natural Language APIのanalyzeEntitySentiment機能を使用して、全体的な満足度スコアを推測します。

Document AIカスタムエクストラクタをトレーニングして、各PDFファイルのコメントセクションのテキストを解析します。Natural Language APIのanalyzeSentiment機能を使用して、全体的な満足度スコアを推測します。

Document AIカスタムエクストラクタをトレーニングして、各PDFファイルのコメントセクションのテキストを解析します。Natural Language APIのanalyzeEntitySentiment機能を使用して、全体的な満足度スコアを推測します。

Question 115

あなたは、大規模なBigQueryテーブルに保存されたデータで分類モデルをトレーニングするVertex AIパイプラインを開発しました。このパイプラインは4つのステップで構成されており、各ステップはKubeFlow v2 APIを使用するPython関数によって作成されます。コンポーネント名は以下の通りです（画像1参照）。 Vertex AIパイプラインは以下のように起動します（画像2参照）。あなたは、トレーニングステップのコードとパラメータを調整することで、多くのモデルイテレーションを実行しています。開発、特にデータエクスポートと前処理のステップに関連して高いコストが発生していることに気づきました。モデル開発コストを削減する必要があります。どうすればよいでしょうか？

コンポーネントのYAMLファイル名を `export.yaml`、`preprocess.yaml`、`f"train-{dt}.yaml"`、`f"calibrate-{dt}.yaml"` に変更します。

`PipelineJob` に提供される `params` のセットに `{"kubeflow.v1.caching": True}` パラメータを追加します。

パイプラインの最初のステップを別のステップに移動し、キャッシュされたCloud Storageへのパスをメインパイプラインへの入力として提供します。

パイプラインの名前を `f"my-awesome-pipeline-{dt}"` に変更します。

Professional Machine Learning Engineer