[2024-06-17更新,112問] 無料Google Professional-Machine-Learning-Engineer試験問題集、Professional-Machine-Learning-Engineer問題集(ページ 22)

Professional-Machine-Learning-Engineer 試験問題 101

企業の機械学習スペシャリストは、TensorFlow を使用した時系列予測モデルのトレーニング速度を向上させる必要があります。現在、トレーニングはシングル GPU マシンで実装されており、完了までに約 23 時間かかります。トレーニングは毎日実行する必要があります。
モデルの精度は許容範囲内ですが、同社はトレーニングデータのサイズが継続的に増加し、モデルを毎日ではなく時間ごとに更新する必要があると予想しています。同社はまた、コーディングの労力とインフラストラクチャの変更を最小限に抑えたいと考えています。
将来の需要に合わせて拡張できるようにするために、機械学習スペシャリストはトレーニングソリューションに対して何をすべきでしょうか?

A. 組み込みの AWS SageMaker DeepAR モデルの使用に切り替えます。ビジネス目標を達成するために必要な数のマシンに対してトレーニングを並列化します。

B. TensorFlow コードを変更して、Amazon SageMaker でサポートされる Horovod 分散フレームワークを実装します。ビジネス目標を達成するために必要な数のマシンに対してトレーニングを並列化します。

C. TensorFlow コードを変更しないでください。トレーニングを高速化するには、より強力な GPU を搭載したマシンに変更します。

D. トレーニングを Amazon EMR に移動し、ビジネス目標を達成するために必要な数のマシンにワークロードを分散します。

Professional-Machine-Learning-Engineer 試験問題 102

Google Cloud 上で構造化データ用の ML パイプラインを再構築したいと考えています。あなたは PySpark を使用して大規模なデータ変換を行っていますが、パイプラインの実行に 12 時間以上かかっています。開発とパイプラインの実行時間を短縮するには、サーバーレスツールと SQL 構文を使用する必要があります。生データはすでに Cloud Storage に移動されています。速度と処理の要件を満たしながら、Google Cloud 上にパイプラインを構築するにはどうすればよいでしょうか?

A. PySpark を SparkSQL クエリに変換してデータを変換し、Dataproc でパイプラインを実行してデータを BigQuery に書き込みます。

B. BigQuery Load を使用してデータを BigQuery に取り込み、PySpark コマンドを BigQuery SQL クエリに変換してデータを変換し、その変換を新しいテーブルに書き込みます。

C. データを Cloud SQL に取り込み、PySpark コマンドを SQL クエリに変換してデータを変換し、機械学習に BigQuery のフェデレーションクエリを使用します。

D. Data Fusion の GUI を使用して変換パイプラインを構築し、データを BigQuery に書き込みます。

Professional-Machine-Learning-Engineer 試験問題 103

あなたは、カスタマーサポートの電子メールを分類するモデルを開発しています。オンプレミスシステム上の小規模なデータセットを使用して TensorFlow Estimator でモデルを作成しましたが、高いパフォーマンスを確保するには大規模なデータセットを使用してモデルをトレーニングする必要があります。モデルを Google Cloud に移植し、オンプレミスからクラウドへの移行を容易にするために、コードのリファクタリングとインフラストラクチャのオーバーヘッドを最小限に抑えたいと考えています。あなたは何をするべきか？

A. 分散トレーニングに Vertex Al Platform を使用する

B. トレーニング用に Dataproc 上にクラスタを作成します

C. 自動スケーリングを使用してマネージドインスタンスグループを作成する

D. Kubeflow Pipelines を使用して、Google Kubernetes Engine クラスターでトレーニングします。

Professional-Machine-Learning-Engineer 試験問題 104

あなたは、オンラインマルチプレイヤーゲームを作成するモバイルゲームのスタートアップ企業で働いています。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、収益の損失と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。ゲームセッション終了後にプレーヤーが不正行為をしたかどうかを判断するバイナリ分類モデルを構築し、不正行為を行ったプレーヤーを禁止するメッセージを他の下流システムに送信しました。モデルはテスト中に良好に動作しました。次に、モデルを次の場所にデプロイする必要があります。さらなる収益の損失を避けるために、ゲームセッションの完了後にすぐに分類を提供するソリューションを提供したいと考えています。あなたは何をするべきか？

A. モデルを Vertex Al 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。

B. 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取り、Cloud Function 上でオンライン推論リクエストを行う Cloud Function を作成します。

C. 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 上で推論ジョブを実行します。

D. モデルを Vertex Al モデルレジストリにインポートします。モデルをホストする Vertex Al エンドポイントを作成し、オンライン推論リクエストを作成します。

正解: D

オンライン推論は、単一または少数の予測リクエストをモデルに送信し、即座に応答を得るプロセスです1。オンライン推論は、オンラインゲームでの不正行為の検出など、タイムリーな予測が必要なシナリオに適しています。オンライン推論では、モデルがエンドポイントにデプロイされる必要があります。エンドポイントは、予測リクエストのサービス URL を提供するリソースです2。
Vertex AI Model Registry は、ML モデルのライフサイクルを管理できる中央リポジトリです3。カスタムモデルや AutoML モデルなど、さまざまなソースからモデルをインポートし、異なるバージョンやエイリアスに割り当てることができます3。オンライン予測用のサービス URL を提供するリソースであるエンドポイントにモデルをデプロイすることもできます2。
モデルを Vertex AI モデルレジストリにインポートすると、Vertex AI 機能を利用してモデルを監視および更新できます3。Vertex AI Experiments を使用すると、精度、精度、再現率、AUC など、さまざまなモデルバージョンのメトリクスを追跡および比較できます。Vertex AI Explainable AI を使用して、各入力フィーチャがモデルの予測にどの程度寄与したかを示すフィーチャ属性を生成することもできます。
モデルをホストする Vertex AI エンドポイントを作成すると、Vertex AI Prediction サービスを使用してオンライン推論リクエストを処理できます2。Vertex AI Prediction は、スケーラビリティ、信頼性、セキュリティ、ログなどのさまざまな利点を提供します2。Vertex AI API または Google Cloud コンソールを使用して、オンライン推論リクエストをエンドポイントに送信し、即座に分類を取得できます4。
したがって、シナリオに最適なオプションは、モデルを Vertex AI Model Registry にインポートし、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うことです。
他のオプションは、バッチ予測の使用やモデルファイルの毎回の読み込みなどの即時分類を提供しないか、より多くの開発とメンテナンスの労力が必要となる Vertex AI Prediction を使用しないため、シナリオには適していません。クラウド関数や VM の作成など。
参考文献:
* オンライン予測とバッチ予測 | 頂点 AI | グーグルクラウド
* モデルをエンドポイントにデプロイする | 頂点 AI | グーグルクラウド
* Vertex AI モデルレジストリの紹介 | グーグルクラウド
* オンライン予測を取得 | 頂点 AI | グーグルクラウド

Professional-Machine-Learning-Engineer 試験問題 105

あなたの組織のコールセンターから、各通話における顧客の感情を分析するモデルを開発するよう依頼されました。コールセンターには毎日 100 万件を超える電話がかかり、データは Cloud Storage に保存されます。収集されたデータは通話が発信された地域から出てはならず、個人を特定できる情報 (Pll) を保存または分析することはできません。データサイエンスチームは、SQL ANSI-2011 準拠のインターフェイスを必要とする視覚化とアクセス用のサードパーティツールを備えています。データ処理および分析用のコンポーネントを選択する必要があります。データパイプラインはどのように設計すべきでしょうか?