CertPass

Question 161

あなたは、TensorFlowフレームワークを使用して最先端の深層学習モデルを構築するチームで働いています。あなたのチームは毎週複数のML実験を実行しており、実験の実行を追跡することが困難になっています。オーバーヘッドコードを最小限に抑えながら、Google Cloud上でML実験の実行を効果的に追跡、可視化、デバッグするための簡単なアプローチを求めています。どのように進めるべきですか？

Vertex AI Experimentsを設定してメトリクスとパラメータを追跡します。可視化のためにVertex AI TensorBoardを設定します。

Cloud Functionを設定してメトリクスファイルをCloud Storageバケットに書き込み、保存します。可視化のためにGoogle Cloud VMを設定してTensorBoardをローカルでホストします。

Vertex AI Workbenchノートブックインスタンスを設定します。そのインスタンスを使用してメトリクスデータをCloud Storageバケットに保存し、可視化のためにTensorBoardをローカルでホストします。

Cloud Functionを設定してメトリクスファイルをBigQueryテーブルに書き込み、保存します。可視化のためにGoogle Cloud VMを設定してTensorBoardをローカルでホストします。

Question 162

あなたは繊維製造会社に勤務しています。あなたの会社は何百台もの機械を保有しており、各機械には多数のセンサーが搭載されています。あなたのチームはセンサーデータを活用し、機械の異常を検知する数百ものMLモデルを構築しました。モデルは毎日再トレーニングされており、これらのモデルを費用対効果の高い方法でデプロイする必要があります。モデルはダウンタイムなしで24時間365日稼働し、ミリ秒未満の予測を行う必要があります。どのように対応すべきでしょうか？

DataflowバッチパイプラインとVertex AI Predictionエンドポイントをデプロイする。

RunInference APIを使用してDataflowバッチパイプラインをデプロイし、モデル更新機能を使用する。

Dataflowストリーミングパイプラインと、自動スケーリングを備えたVertex AI Predictionエンドポイントをデプロイする。

RunInference APIを使用してDataflowストリーミングパイプラインをデプロイし、自動モデル更新機能を使用する。

Question 163

あなたは、場所、状態、モデルタイプ、色、エンジン/バッテリー効率などのデータに基づいて中古車の価格を予測する機械学習モデルを開発しています。データは毎晩更新されます。自動車販売店はこのモデルを使用して適切な自動車価格を決定します。あなたは、データを読み込み、データをトレーニング/評価/テストセットに分割し、特徴量エンジニアリングを実行し、トレーニングデータセットを使用してモデルをトレーニングし、評価データセットを使用してモデルを検証するVertex AIパイプラインを作成しました。コストを最小限に抑える再トレーニングワークフローを設定する必要があります。どうすればよいですか？

現在の実行のトレーニング損失と評価損失を比較します。損失が類似している場合は、モデルをVertex AIエンドポイントにデプロイします。毎晩パイプラインを再デプロイするようにcronジョブを設定します。

現在の実行のトレーニング損失と評価損失を比較します。損失が類似している場合は、トレーニング/サービングスキューしきい値モデルモニタリングを使用してモデルをVertex AIエンドポイントにデプロイします。モデルモニタリングのしきい値がトリガーされたら、パイプラインを再デプロイします。

結果を前回の実行の評価結果と比較します。パフォーマンスが向上した場合は、モデルをVertex AIエンドポイントにデプロイします。毎晩パイプラインを再デプロイするようにcronジョブを設定します。

結果を前回の実行の評価結果と比較します。パフォーマンスが向上した場合は、トレーニング/サービングスキューしきい値モデルモニタリングを使用してモデルをVertex AIエンドポイントにデプロイします。モデルモニタリングのしきい値がトリガーされたら、パイプラインを再デプロイします。

Question 164

あなたは最近、BigQuery MLを使用してAutoML回帰モデルをトレーニングしました。その結果をチームと共有し、肯定的なフィードバックを得ました。できるだけ早くオンライン予測のためにモデルをデプロイする必要があります。何をすべきですか？

BigQuery MLを使用してモデルを再トレーニングし、Vertex AIをモデルレジストリとして指定します。Vertex AIモデルレジストリからVertex AIエンドポイントにモデルをデプロイします。

Vertex AIを使用してモデルを再トレーニングします。Vertex AIモデルレジストリからVertex AIエンドポイントにモデルをデプロイします。

BigQuery MLを使用してモデルを変更し、Vertex AIをモデルレジストリとして指定します。Vertex AIモデルレジストリからVertex AIエンドポイントにモデルをデプロイします。

BigQuery MLからCloud Storageにモデルをエクスポートします。モデルをVertex AIモデルレジストリにインポートします。モデルをVertex AIエンドポイントにデプロイします。

Question 165

あなたはオンプレミスデータを使用して、深層学習ベースの画像分類モデルを構築しました。Vertex AI を使用してモデルを本番環境にデプロイしたいと考えています。セキュリティ上の懸念から、データをクラウドに移動することはできません。入力データの分布が時間とともに変化する可能性があることを認識しており、本番環境でのモデルのパフォーマンス変化を検出する必要があります。何をすべきでしょうか？

モデルの説明可能性のために Vertex Explainable AI を使用します。特徴量ベースの説明を設定します。

モデルの説明可能性のために Vertex Explainable AI を使用します。事例ベースの説明を設定します。

Vertex AI モデル監視ジョブを作成します。モデルのトレーニング・サービング間のスキュー検出を有効にします。

Vertex AI モデル監視ジョブを作成します。モデルの特徴量アトリビューションのスキューおよびドリフト検出を有効にします。

Professional Machine Learning Engineer