あなたは、全員が AI Platform を使用する 50 人を超えるデータ サイエンティストからなるチームで働いています。あなたは、ジョブ、モデル、バージョンをクリーンかつスケーラブルな方法で整理するための戦略を設計しています。どの戦略を選択する必要がありますか?

あなたは、5,000 万人以上の読者にニュース記事を配信するオンライン出版社で働いています。会社の週刊ニュースレターのコンテンツを推奨する AI モデルを構築しました。ニュースレターの発行日から 2 日以内に記事が開かれ、ユーザーが少なくとも 1 分間そのページに留まった場合、推奨は成功したとみなされます。
成功指標の計算に必要な情報はすべて BigQuery で入手でき、1 時間ごとに更新されます。モデルは 8 週間のデータでトレーニングされ、平均して 5 週間後にパフォーマンスが許容ベースラインを下回ります。トレーニング時間は 12 時間です。コストを最小限に抑えながら、モデルのパフォーマンスが許容可能なベースラインを上回っていることを確認したいと考えています。いつ再トレーニングが必要かを判断するにはモデルをどのように監視すればよいでしょうか?

データ サイエンティストは、企業の e コマース プラットフォームの不正なユーザー アカウントを特定する必要があります。同社は、新しく作成されたアカウントが以前から知られている詐欺ユーザーに関連付けられているかどうかを判断できるようにしたいと考えています。
データサイエンティストは、AWS Glue を使用して、取り込み中に会社のアプリケーション ログをクレンジングしています。
データ サイエンティストが不正なアカウントを特定できるのはどの戦略ですか?

表形式のデータでトレーニングされた大規模で複雑な TensorFlow モデルを本番環境にデプロイすることに成功しました。subscription という名前の BigQuery テーブルに保存されている各サブスクリプションのライフタイム バリュー (LTV) フィールドを予測したいと考えています。my-fortune500-company-project という名前のプロジェクトで subscriptionPurchase します。
BigQuery テーブルからのデータの前処理から、検証済みのモデルの Vertex AI エンドポイントへのデプロイまで、すべてのトレーニング コードを TensorFlow Extended (TFX) パイプラインに整理しました。予測のドリフト、つまり本番環境の特徴データの分布が時間の経過とともに大幅に変化する状況を防止したいと考えています。あなたは何をするべきか？

あなたは雑誌出版社で働いており、顧客が年間定期購読をキャンセルするかどうかを予測する任務を負っています。探索的データ分析では、個人の 90% が毎年サブスクリプションを更新し、サブスクリプションをキャンセルする個人は 10% のみであることがわかりました。NN 分類器をトレーニングした後、モデルはサブスクリプションをキャンセルするユーザーを 99% の精度で予測し、サブスクリプションを更新するユーザーを 82% の精度で予測します。これらの結果をどのように解釈すればよいでしょうか?