CertPass

Question 156

あなたは、オンラインフォーラムを運営するペットフード会社に勤務しています。顧客は、フォーラムにペットの写真をアップロードして他の人と共有しています。毎日約20枚の写真がアップロードされます。あなたは、アップロードされた各写真に動物が含まれているかどうかを、自動的かつほぼリアルタイムで検出したいと考えています。アプリケーションの開発とデプロイにかかる時間とコストを優先的に最小化したいと考えています。どうすべきでしょうか？

ユーザーが投稿した画像をCloud Vision APIに送信します。オブジェクトローカライゼーションを使用して画像内のすべてのオブジェクトを識別し、その結果を動物のリストと比較します。

TensorFlow Hubから物体検出モデルをダウンロードします。モデルをVertex AIエンドポイントにデプロイします。新しくユーザーが投稿した画像をモデルエンドポイントに送信し、各写真に動物が含まれているかどうかを分類します。

以前に投稿された画像に、動物の周りにバウンディングボックスを手動でラベル付けします。Vertex AIを使用してAutoML物体検出モデルを構築します。モデルをVertex AIエンドポイントにデプロイし、新しくユーザーが投稿した画像をモデルエンドポイントに送信して、各写真に動物が含まれているかどうかを検出します。

以前に投稿された画像に、動物がいるかいないかを手動でラベル付けします。Vertex AI上に画像データセットを作成します。Vertex AutoMLを使用して2つのクラスを区別する分類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。新しくユーザーが投稿した画像をモデルエンドポイントに送信し、各写真に動物が含まれているかどうかを分類します。

Question 157

あなたは世界的な靴の小売店のMLエンジニアです。会社のウェブサイト用のMLモデルを管理しています。ユーザーの購買行動と他のユーザーとの類似性に基づいて、ユーザーに新しい製品を推奨するモデルを構築するよう依頼されました。何をすべきですか？

分類モデルを構築する

知識ベースフィルタリングモデルを構築する

協調フィルタリングモデルを構築する

特徴量を予測変数として使用する回帰モデルを構築する

Question 158

あなたはオンラインマルチプレイヤーゲームを開発するモバイルゲームのスタートアップ企業に勤務しています。最近、あなたの会社ではゲーム内で不正行為を行うプレイヤーが増加し、収益の損失やユーザーエクスペリエンスの低下につながっていることが確認されました。あなたは、完了したゲームセッション後にプレイヤーが不正行為を行ったかどうかを判断するための二値分類モデルを構築し、不正行為を行ったプレイヤーを追放するために他のダウンストリームシステムにメッセージを送信します。あなたのモデルはテストでは良好なパフォーマンスを示しており、今、モデルを本番環境にデプロイする必要があります。収益のさらなる損失を避けるために、完了したゲームセッションの直後に分類結果を提供するサービングソリューションが必要です。どうすればよいですか？

モデルをVertex AI Model Registryにインポートします。Vertex Batch Predictionサービスを使用してバッチ推論ジョブを実行します。

モデルファイルをCloud Storageバケットに保存します。モデルファイルを読み込み、Cloud Functionでオンライン推論リクエストを行うCloud Functionを作成します。

モデルファイルをVMに保存します。予測リクエストがあるたびにモデルファイルをロードし、VMで推論ジョブを実行します。

モデルをVertex AI Model Registryにインポートします。モデルをホストするVertex AIエンドポイントを作成し、オンライン推論リクエストを行います。

Question 159

カスタムモデルのトレーニングを自動化するVertex AIパイプラインを作成しました。チームが異なる実行を実行し、メトリクスを視覚的およびプログラム的に比較する際に、最も簡単に共同作業できるようにするパイプラインコンポーネントを追加したいと考えています。どうすればよいですか？

メトリクスをBigQueryテーブルに記録するコンポーネントをVertex AIパイプラインに追加します。テーブルをクエリして、パイプラインの異なる実行を比較します。BigQueryをLooker Studioに接続してメトリクスを可視化します。

メトリクスをBigQueryテーブルに記録するコンポーネントをVertex AIパイプラインに追加します。テーブルをpandas DataFrameに読み込んで、パイプラインの異なる実行を比較します。Matplotlibを使用してメトリクスを可視化します。

メトリクスをVertex ML Metadataに記録するコンポーネントをVertex AIパイプラインに追加します。Vertex AI Experimentsを使用してパイプラインの異なる実行を比較します。Vertex AI TensorBoardを使用してメトリクスを可視化します。

メトリクスをVertex ML Metadataに記録するコンポーネントをVertex AIパイプラインに追加します。Vertex ML Metadataをpandas DataFrameに読み込んで、パイプラインの異なる実行を比較します。Matplotlibを使用してメトリクスを可視化します。

Question 160

あなたのチームは、異なるアルゴリズム、パラメータ、データセットを使用する多数のMLモデルをトレーニングしています。一部のモデルはVertex AI Pipelinesで、また一部はVertex AI Workbenchノートブックインスタンスでトレーニングされています。チームは、両方のサービスにわたるモデルのパフォーマンスを比較したいと考えています。パラメータとメトリクスを保存するために必要な労力を最小限に抑えたい場合、どうすべきですか？

パイプラインとノートブックで実行されているすべてのモデルについて、パラメータとメトリクスをBigQueryにエクスポートするための追加ステップを実装する。

Vertex AI実験を作成する。すべてのパイプラインを実験実行として送信する。ノートブックでトレーニングされたモデルについては、Vertex AI SDKを使用してパラメータとメトリクスをログに記録する。

すべてのモデルをVertex AI Pipelinesで実装する。Vertex AI実験を作成し、すべてのパイプライン実行をその実験に関連付ける。

Vertex AI Metadata APIを使用して、すべてのモデルパラメータとメトリクスをモデルメタデータとして保存する。

Professional Machine Learning Engineer