CertPass

Question 216

カスタムモデルをトレーニングし、予測を実行するバッチ処理を開発しています。モデルとバッチ予測の両方のリネージを表示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. 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を使用してトレーニング中のモデルのパフォーマンスを評価します。 2. Vertex AI Model Registry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。

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。

Question 217

あなたは、世界中の何千もの企業に法人向け電子製品を販売する会社に勤務しています。あなたの会社は、過去の顧客データをBigQueryに保存しています。今後3年間の顧客生涯価値を予測するモデルを構築する必要があります。モデルを構築するために最も簡単なアプローチを使用したいと考えています。何をすべきですか？

Vertex AI Workbenchノートブックを作成します。IPythonマジックを使用してCREATE MODELステートメントを実行し、ARIMAモデルを作成します。

Google CloudコンソールのBigQuery Studioにアクセスします。SQLエディタでCREATE MODELステートメントを実行し、AutoML回帰モデルを作成します。

Vertex AI Workbenchノートブックを作成します。IPythonマジックを使用してCREATE MODELステートメントを実行し、AutoML回帰モデルを作成します。

Google CloudコンソールのBigQuery Studioにアクセスします。SQLエディタでCREATE MODELステートメントを実行し、ARIMAモデルを作成します。

Question 218

あなたは小売企業に勤務しており、製品の売上を予測するMLモデルの開発を担当しています。あなたの会社の過去の売上データはBigQueryに保存されており、日付、店舗の場所、製品カテゴリ、プロモーションの詳細などの特徴量が含まれています。予測精度を最大化するために、BigQuery MLモデルと特徴量エンジニアリングの最も効果的な組み合わせを選択する必要があります。どうすべきですか？

線形回帰モデルを使用します。カテゴリカル特徴量にワンホットエンコーディングを実行し、日付に基づいて曜日や月などの追加の特徴量を作成します。

ブーステッドツリーモデルを使用します。カテゴリカル特徴量にラベルエンコーディングを実行し、日付列を数値に変換します。

オートエンコーダモデルを使用します。カテゴリカル特徴量にラベルエンコーディングを実行し、日付列を正規化します。

行列分解モデルを使用します。カテゴリカル特徴量にワンホットエンコーディングを実行し、店舗の場所と製品カテゴリの変数間の交互作用特徴量を作成します。

Question 219

あなたの組織の社員オンボーディングチームは、新入社員向けのインタラクティブなセルフヘルプツールを構築するようあなたに依頼しています。このツールは、ユーザーからの問い合わせを受け付け、組織の内部ドキュメントから回答を提供する必要があります。このドキュメントは、PDFファイルなどのスタンドアロンのドキュメントに分散しています。あなたは、メンテナンスのオーバーヘッドを最小限に抑えつつ、迅速にソリューションを構築したいと考えています。どうすべきでしょうか？

App Engineでホストされるカスタムチャットボットユーザーインターフェースを作成します。Vertex AIを使用して、組織の内部ドキュメントでGeminiモデルをファインチューニングします。カスタムチャットボットを使用してユーザーのクエリをファインチューニングされたモデルに送信し、モデルの応答をユーザーに返します。

Google Kubernetes Engine (GKE) クラスタに内部ウェブサイトをデプロイします。組織のすべての内部ドキュメントを取り込んで検索インデックスを構築します。Vertex AI Vector Searchを使用して、検索ボックスに入力されたクエリに基づいて検索インデックスから結果を取得するセマンティック検索を実装します。

Vertex AI Agent Builderを使用してエージェントを作成します。組織の内部ドキュメントをエージェントのデータストアに安全にインデックス付けします。ユーザーのクエリをエージェントに送信し、エージェントの根拠に基づいた応答をユーザーに返します。

Google Kubernetes Engine (GKE) クラスタに内部ウェブサイトをデプロイします。関連する内部ドキュメントをセクションに整理します。ウェブサイトコンテンツに関するユーザーフィードバックを収集し、BigQueryに保存します。オンボーディングチームに、ユーザーフィードバックに基づいて定期的にリンクを更新するよう依頼します。

Question 220

あなたは、ユーザーエクスペリエンスを向上させるために画像内の商品を自動的に分類したいと考えているeコマース企業に勤務しています。様々なユニークな商品が写った、ラベル付けされた画像の大規模なデータセットを保有しています。独自の商品を識別するための、スケーラブルで効果的、かつ迅速にデプロイできるソリューションを実装する必要があります。何をすべきでしょうか？

画像を分類するためのルールベースのシステムを開発する。

画像データセットでトレーニングされたTensorFlowディープラーニングモデルを使用する。

Model Gardenの事前トレーニング済み物体検出モデルを使用する。

AutoML Visionを使用して、画像データセットでモデルをトレーニングする。

Professional Machine Learning Engineer