무료 온라인 액세스 Google.Professional-Machine-Learning-Engineer.v2024-03-06.q113 모의 시험 (Page 12)

Professional-Machine-Learning-Engineer 문제 51

Google Cloud에서 심층신경망 모델을 학습시켰습니다. 모델은 훈련 데이터에 대한 손실이 낮지만 검증 데이터 a에서는 성능이 더 나쁩니다. 모델이 과적합에 대한 탄력성을 갖기를 원합니다. 모델을 재훈련할 때 어떤 전략을 사용해야 합니까?

A. 드롭아웃 매개변수 0 2를 적용하고 학습률을 10배 감소시킵니다.

B. Al Platform에서 초매개변수 조정 작업을 실행하여 학습률을 최적화하고 뉴런 수를 2배 늘립니다.

C. 12 정규화 매개변수 0.4를 적용하고 학습률을 10배 줄입니다.

D. Al Platform에서 초매개변수 조정 작업을 실행하여 L2 정규화 및 드롭아웃 매개변수를 최적화합니다.

Professional-Machine-Learning-Engineer 문제 52

호텔에서 근무하며 PDF 파일로 저장되는 종이 기반 고객 피드백 양식에서 스캔한 고객의 서면 의견이 포함된 데이터세트를 보유하고 있습니다. 모든 양식의 레이아웃은 동일합니다. 각 양식에 대한 고객 의견을 통해 전반적인 만족도 점수를 빠르게 예측해야 합니다. 이 작업을 어떻게 수행해야합니까?

A. Vision API를 사용하여 각 PDF 파일의 텍스트를 구문 분석합니다. Natural Language API 감정 분석 기능을 사용하여 전반적인 만족도 점수를 추론합니다.

B. Vision API를 사용하여 각 PDF 파일의 텍스트를 구문 분석합니다. Natural Language API analyzeEntitysentiment 기능을 사용하여 전체 만족도 점수를 추론합니다.

C. Document Al 사용자 정의 추출기를 업트레인하여 각 PDF 파일의 주석 섹션에 있는 텍스트를 구문 분석합니다. Natural Language API의 감정 분석 기능을 사용하여 전반적인 만족도 점수를 추론해 보세요.

D. Document Al 사용자 정의 추출기를 업트레인하여 각 PDF 파일의 주석 섹션에 있는 텍스트를 구문 분석합니다. Natural Language API analyzeEntitySentiment 기능을 사용하여 전반적인 만족도 점수를 추론하세요.

Professional-Machine-Learning-Engineer 문제 53

당신은 대기업 컨택 센터의 ML 엔지니어입니다. 녹음된 전화 대화에서 고객 감정을 예측하는 감정 분석 도구를 구축해야 합니다. 연락 센터에 전화한 고객의 성별, 연령, 문화적 차이가 모델 개발 파이프라인 및 결과의 어떤 단계에도 영향을 미치지 않도록 하면서 모델 구축에 대한 최선의 접근 방식을 식별해야 합니다. 당신은 무엇을 해야 합니까?

A. 음성 녹음에서 직접 감정 추출

B. 음성을 텍스트로 변환하고 단어를 기반으로 모델을 구축합니다.

C. 음성을 텍스트로 변환하고 문장을 기반으로 감정을 추출합니다.

D. 구문 분석을 사용하여 음성을 텍스트로 변환하고 감정을 추출합니다.

Professional-Machine-Learning-Engineer 문제 54

애완동물 소유자가 애완동물의 이미지를 게시할 수 있는 소셜 미디어 앱을 만들고 있습니다. 해시태그와 함께 사용자가 업로드한 이미지가 백만 개 있습니다. 자신이 업로드한 이미지와 모양이 유사한 이미지를 사용자에게 추천하는 포괄적인 시스템을 구축하려고 합니다.
당신은 무엇을 해야 합니까?

A. 사전 훈련된 컨벌루션 신경망을 다운로드하고 모델을 미세 조정하여 입력 이미지를 기반으로 해시태그를 예측합니다. 예측된 해시태그를 사용하여 추천을 받으세요.

B. Vision API를 사용하여 입력 이미지에서 이미지 라벨과 주요 색상을 검색합니다. 추천을 하려면 이러한 속성과 해시태그를 사용하세요.

C. 제공된 해시태그를 사용하여 추천을 위한 협업 필터링 알고리즘을 만듭니다.

D. 사전 훈련된 컨벌루션 신경망을 다운로드하고 모델을 사용하여 입력 이미지의 임베딩을 생성합니다. 추천을 위해 임베딩 간의 유사성을 측정합니다.

정답: D

자신이 업로드한 이미지와 모양이 유사한 이미지를 사용자에게 추천하는 포괄적인 시스템을 구축하는 가장 좋은 옵션은 사전 훈련된 CNN(컨벌루션 신경망)을 다운로드하고 모델을 사용하여 입력 이미지의 임베딩을 생성하는 것입니다. 임베딩은 데이터의 필수 기능과 의미를 포착하는 고차원 데이터의 저차원 표현입니다. 사전 훈련된 CNN을 사용하면 ImageNet과 같은 대규모 이미지 데이터 세트에서 학습한 지식을 활용하고 이를 자신의 도메인에 적용할 수 있습니다. 사전 훈련된 CNN은 마지막 히든 레이어(또는 중간 레이어)의 출력을 입력 이미지의 임베딩 벡터로 사용하는 특징 추출기로 사용할 수 있습니다. 그런 다음 코사인 유사성 또는 유클리드 거리와 같은 거리 측정법을 사용하여 임베딩 간의 유사성을 측정하고 사용자가 업로드한 이미지와 유사성 점수가 가장 높은 이미지를 추천할 수 있습니다. 옵션 A는 올바르지 않습니다. 사전 훈련된 CNN을 다운로드하고 모델을 미세 조정하여 입력 이미지를 기반으로 해시태그를 예측하면 해시태그가 이미지의 모양을 정확하게 반영하지 않을 수 있기 때문에 이미지의 시각적 유사성을 캡처하지 못할 수 있기 때문입니다. 예를 들어, 서로 다른 품종의 개를 담은 두 개의 이미지에는 동일한 해시태그 #dog가 있을 수 있지만 서로 유사해 보이지 않을 수 있습니다. 게다가 모델을 미세 조정하려면 추가 데이터와 계산 리소스가 필요할 수 있으며, 해시태그가 다르거나 누락된 새 이미지에는 일반화되지 않을 수 있습니다. 옵션 B는 올바르지 않습니다. Vision API를 사용하여 입력 이미지에서 이미지 레이블과 주요 색상을 검색하면 레이블과 색상이 이미지의 세밀한 세부 정보를 반영하지 않을 수 있으므로 이미지의 시각적 유사성을 캡처하지 못할 수 있기 때문입니다. 예를 들어, 동일한 품종의 개 이미지 두 개가 이미지의 배경, 조명, 각도에 따라 라벨과 색상이 다를 수 있습니다. 또한 Vision API를 사용하면 추가 비용과 지연 시간이 발생할 수 있으며 맞춤 또는 도메인별 라벨을 처리하지 못할 수도 있습니다. 옵션 C는 올바르지 않습니다. 협업 필터링 알고리즘을 생성하기 위해 제공된 해시태그를 사용하면 이미지의 시각적 유사성을 포착하지 못할 수 있기 때문입니다. 협업 필터링은 이미지의 특징이 아닌 사용자의 평가나 선호도에 의존하기 때문입니다. 예를 들어, 서로 다른 동물의 두 이미지는 사용자의 평가나 선호도가 유사할 수 있지만 서로 유사해 보이지 않을 수 있습니다. 더욱이 협업 필터링은 평가나 선호도가 없는 새로운 이미지나 사용자를 추천할 수 없는 콜드 스타트 문제로 인해 어려움을 겪을 수 있습니다. 참고자료:
* TensorFlow를 사용한 이미지 유사성 검색
* 이미지 임베딩 문서
* 사전 학습된 모델 문서
* 유사성 측정 문서

Professional-Machine-Learning-Engineer 문제 55

당신은 온라인 식료품점에서 일합니다. 최근에는 사용자가 웹사이트에 도착하면 레시피를 추천하는 맞춤형 ML 모델을 개발했습니다. 모델이 제공할 수 있는 초당 쿼리(QPS)를 사용하여 비용을 최적화하기 위해 Vertex Al 엔드포인트에서 머신 유형을 선택했으며, 가속기가 없고 vCPU가 8개인 단일 머신에 배포했습니다.
연휴 시즌이 다가오고 있으며 이 기간 동안 일반적인 일일 트래픽보다 4배 더 많은 트래픽이 예상됩니다. 모델이 증가된 수요에 맞게 효율적으로 확장될 수 있는지 확인해야 합니다. 당신은 무엇을 해야 합니까?

A. 1, 엔드포인트에서 동일한 머신 유형을 유지합니다.
2 모니터링 작업 및 CPU 사용량 알림 설정
3 경고를 받으면 끝점에 컴퓨팅 노드를 추가합니다.

B. 1 32개의 vCPU를 갖도록 엔드포인트의 머신 유형을 변경합니다.
2. 모니터링 작업 및 CPU 사용량 알림 설정
3 경고를 받으면 필요에 따라 vCPU를 추가로 확장합니다.

C. 1 엔드포인트에서 동일한 머신 유형을 유지합니다. vCPU 사용량에 따라 자동 확장을 활성화하도록 엔드포인트를 구성합니다.
2 모니터링 작업 및 CPU 사용량 알림 설정
3 경고를 받으면 원인을 조사하십시오

D. 1 GPU를 갖도록 엔드포인트의 머신 유형을 변경합니다. GPU 사용량에 따라 자동 크기 조정을 활성화하도록 엔드포인트를 구성합니다.
2 모니터링 작업과 GPU 사용량에 대한 알림을 설정합니다.
3 경고를 받으면 원인을 조사합니다.

정답: C

Vertex AI Endpoint는 ML 모델을 온라인으로 제공하고 자동으로 확장할 수 있는 서비스입니다.
Vertex AI Endpoint를 사용하여 사용자에게 레시피를 추천하기 위해 개발한 커스텀 ML 모델을 배포할 수 있습니다. 단일 머신인 엔드포인트에서 동일한 머신 유형을 유지할 수 있습니다.
vCPU 8개, 가속기 없음. 이 머신 유형은 모델이 제공할 수 있는 초당 쿼리 수(QPS)를 사용하여 비용을 최적화할 수 있습니다. vCPU 사용량에 따라 자동 크기 조정을 활성화하도록 엔드포인트를 구성할 수도 있습니다.
자동 크기 조정은 엔드포인트가 트래픽 수요에 따라 컴퓨팅 노드 수를 조정할 수 있도록 하는 기능입니다. vCPU 사용량을 기준으로 자동 크기 조정을 활성화하면 리소스를 과도하게 프로비저닝하거나 부족하게 프로비저닝하지 않고도 연휴 기간 동안 증가하는 수요에 맞게 엔드포인트를 효율적으로 확장할 수 있습니다. 모니터링 작업과 CPU 사용량에 대한 알림을 설정할 수도 있습니다. 모니터링은 Google Cloud 리소스에서 측정항목과 로그를 수집하고 분석할 수 있는 서비스입니다. 모니터링을 사용하면 모델의 로드 및 성능을 나타내는 지표인 엔드포인트의 CPU 사용량을 모니터링할 수 있습니다.
CPU 사용량이 특정 임계값을 초과할 때 알림을 받을 수 있는 기능인 CPU 사용량에 대한 경고를 설정할 수도 있습니다. 모니터링 작업과 CPU 사용량에 대한 경고를 설정하면 엔드포인트의 상태를 추적하고 문제나 이상 현상을 감지할 수 있습니다. 경고를 받으면 엔드포인트의 지표와 로그를 보고 분석하기 위한 그래픽 인터페이스를 제공하는 모니터링 대시보드를 사용하여 원인을 조사할 수 있습니다. 또한 모니터링 대시보드를 사용하여 자동 확장 매개변수 조정, 모델 최적화, 머신 유형 업데이트 등의 문제를 해결할 수도 있습니다. Vertex AI 엔드포인트, 자동 확장, 모니터링을 사용하면 연휴 기간 동안 증가하는 수요에 맞게 모델을 효율적으로 확장하고 발생할 수 있는 모든 문제나 알림을 처리할 수 있습니다. 참고자료:
* [Vertex AI 엔드포인트 문서]
* [자동 확장 문서]
* [모니터링 문서]
* [구글클라우드 자격증 준비중: 머신러닝 엔지니어 전문 자격증]

다른 버전: 1158Google.Professional-Machine-Learning-Engineer.v2024-09-10.q112; 1572Google.Professional-Machine-Learning-Engineer.v2023-07-12.q107; 1269Google.Professional-Machine-Learning-Engineer.v2023-03-02.q80; 1509Google.Professional-Machine-Learning-Engineer.v2022-07-01.q63; 1396Google.Professional-Machine-Learning-Engineer.v2022-06-22.q67; 1889Google.Professional-Machine-Learning-Engineer.v2021-12-22.q66

최근 업로드: 112Workday.Workday-Procure-to-Pay.v2026-10-23.q20; 112SAP.C_BCBTM_2509.v2026-10-23.q11; 131Snowflake.ARA-C01.v2026-10-23.q110; 136CompTIA.DA0-002.v2026-10-23.q118; 132SAP.C_P2WIE_2404.v2026-10-22.q21; 162SAP.C_S4CPR_2508.v2026-10-22.q48; 142Tableau.TDA-C01.v2026-10-22.q135; 195IIA.IIA-CIA-Part2-KR.v2026-10-22.q345; 132Nutanix.NCP-CN-6.10.v2026-10-22.q38; 147Splunk.SPLK-1003.v2026-10-22.q165