Google Cloud Machine Learning Engineer Professional

1. 1.Uma equipe de analytics de varejo armazena três anos de histórico diário de vendas no BigQuery e quer projetar a demanda dos próximos 90 dias por loja. Eles querem permanecer em SQL e evitar gerenciar infraestrutura de treinamento. Qual tipo de modelo do BigQuery ML devem usar?

   • AARIMA_PLUSResposta correta
   • BLINEAR_REG
   • CKMEANS
   • DMATRIX_FACTORIZATION

   Por quê

   ARIMA_PLUS é o modelo de séries temporais do BigQuery ML criado para previsão univariada. Ele trata sazonalidade, feriados e limpeza de anomalias automaticamente, e uma única instrução CREATE MODEL pode ajustar uma série por loja usando a opção TIME_SERIES_ID_COL. LINEAR_REG não tem noção de estrutura temporal, KMEANS é clusterização não supervisionada e MATRIX_FACTORIZATION serve para recomendações.

2. 2.Um analista treinou um modelo de regressão logística no BigQuery ML e agora precisa pontuar uma tabela de 40 milhões de novas linhas de clientes, gravando a classe prevista e a probabilidade de volta no BigQuery. Qual abordagem exige menos infraestrutura adicional?

   • AExecutar uma consulta que chama ML.PREDICT no modelo e grava o resultado em uma tabela de destinoResposta correta
   • BExportar o modelo para o Cloud Storage e implantá-lo em um endpoint online do Agent Platform
   • CEmpacotar o modelo em um contêiner e servi-lo a partir do Cloud Run atrás de um cliente em lote
   • DChamar ML.EVALUATE na nova tabela para produzir as previsões

   Por quê

   ML.PREDICT executa a inferência diretamente dentro do BigQuery contra o modelo armazenado, então o job de pontuação é apenas um SELECT que pode ser encapsulado em CREATE TABLE AS. Nenhum endpoint, contêiner ou pipeline é necessário. Exportar o modelo para o Agent Platform ou para o Cloud Run adicionaria infraestrutura de serving que a pontuação em lote dentro do data warehouse não exige, e ML.EVALUATE mede qualidade sobre dados rotulados em vez de produzir previsões.

3. 3.Um praticante de BigQuery ML faz bucketização de uma coluna numérica e codificação one-hot de uma coluna categórica antes do treinamento, e então descobre que o mesmo pré-processamento precisa ser repetido manualmente sempre que ML.PREDICT é chamado. O que ele deve mudar?

   • ADeclarar a engenharia de atributos na cláusula TRANSFORM do modeloResposta correta
   • BMaterializar os atributos derivados em uma view e consultar a view
   • CMover o pré-processamento para uma consulta agendada que roda antes de cada previsão
   • DReescrever o pré-processamento como um job do Dataflow invocado pelo ML.PREDICT

   Por quê

   O pré-processamento declarado dentro da cláusula TRANSFORM do modelo é armazenado com o modelo e reaplicado automaticamente no momento da previsão, o que remove a etapa manual e elimina o desvio entre treinamento e serving. Criar uma view ou uma consulta agendada ainda deixa o chamador responsável por aplicar as transformações, e mover o trabalho para o Dataflow adiciona um sistema separado que o ML.PREDICT não invoca.

4. 4.Uma equipe sem experiência em deep learning precisa construir um classificador de imagens para 12 categorias de produtos a partir de 30.000 fotos rotuladas. Eles precisam de um modelo implantável rapidamente e não podem escrever código de treinamento personalizado. Qual opção se encaixa melhor?

   • ATreinar um modelo de classificação de imagens com o AutoML do Agent PlatformResposta correta
   • BEscrever um job de treinamento personalizado em PyTorch e submetê-lo ao treinamento personalizado do Agent Platform
   • CCriar um modelo LOGISTIC_REG no BigQuery ML sobre os bytes brutos das imagens
   • DFazer fine-tuning de uma ResNet em um cluster GKE autogerenciado com varreduras manuais de hiperparâmetros

   Por quê

   O AutoML do Agent Platform para classificação de imagens cuida da busca de arquitetura, do aumento de dados e da seleção de hiperparâmetros a partir de um conjunto rotulado, e produz um modelo que pode ser implantado em um endpoint ou exportado para uso em edge, tudo sem código de treinamento. Escrever um job de treinamento personalizado em PyTorch ou ajustar manualmente no GKE contraria a restrição de não escrever código, e o BigQuery ML não treina classificadores de imagem a partir de fotos brutas.

5. 5.Uma seguradora recebe formulários de sinistro digitalizados em PDF e precisa de uma saída estruturada contendo campos nomeados como número da apólice, data do sinistro e valor total. Qual API do Google Cloud é a opção mais direta?

   • ADocument AI APIResposta correta
   • BDetecção de texto da Vision API
   • CAnálise de entidades da Natural Language API
   • DTranslate API

   Por quê

   O Document AI foi criado para transformar documentos em entidades estruturadas, e seus processadores extraem pares chave-valor e campos nomeados de formulários e tipos de documentos especializados. A Vision API retorna texto bruto de OCR e deixaria a identificação dos campos para o chamador, a Natural Language API analisa semântica de texto em vez de layout de documento, e a Translate API apenas converte idiomas.

Praticar todas as 65 questões

Perguntas frequentes