무료 온라인 액세스 Google.Professional-Machine-Learning-Engineer.v2024-09-10.q112 모의 시험 (Page 2)

Professional-Machine-Learning-Engineer 문제 1

두 단계가 포함된 Vertex Al 파이프라인을 만들었습니다. 첫 번째 단계에서는 10TB 데이터 전처리가 약 1시간 안에 완료되고 그 결과를 Cloud Storage 버킷에 저장합니다. 두 번째 단계에서는 처리된 데이터를 사용하여 모델을 학습합니다. 다양한 알고리즘을 테스트할 수 있도록 모델의 코드를 업데이트해야 합니다. 파이프라인 실행 시간과 비용을 줄이는 동시에 파이프라인 변경도 최소화합니다. 무엇을 해야 합니까?

A. 데이터 사전 처리 단계를 위해 컴퓨팅 최적화 머신 제품군에서 더 많은 CPU와 RAM을 갖춘 머신을 구성합니다.

B. 파이프라인 작업에 대한 캐싱을 활성화합니다. 모델 훈련 단계에서 캐싱을 비활성화합니다.

C. 파이프라인 매개변수 및 추가 파이프라인 단계를 추가합니다. 매개변수 값에 따라 파이프라인 단계는 데이터 전처리를 수행하거나 건너뛰고 모델 훈련을 시작합니다.

D. 사전 처리 단계 없이 다른 파이프라인을 만들고 모델 학습을 위해 사전 처리된 Cloud Storage 파일 위치를 하드코딩합니다.

Professional-Machine-Learning-Engineer 문제 2

당신은 자동차 회사의 AI팀에서 일하고 있으며 TensorFlow와 Keras를 사용하여 시각적 결함 감지 모델을 개발하고 있습니다. 모델 성능을 향상하려면 변환, 자르기, 대비 조정과 같은 일부 이미지 확대 기능을 통합하려고 합니다. 이러한 기능을 각 훈련 배치에 무작위로 적용합니다. 런타임 및 컴퓨팅 리소스 활용도를 위해 데이터 처리 파이프라인을 최적화하려고 합니다. 당신은 무엇을 해야 합니까?

A. tf.Data 파이프라인에 증강 함수를 동적으로 포함합니다.

B. Keras 생성기의 일부로 증강 함수를 동적으로 포함합니다.

C. Dataflow를 사용하여 학습 실행마다 동적으로 증강을 생성하고 이를 TFRecord로 스테이징합니다.

D. Dataflow를 사용하여 가능한 모든 증강을 생성하고 이를 TFRecord로 저장합니다.

Professional-Machine-Learning-Engineer 문제 3

데이터 세트를 정리하고 Cloud Storage 버킷에 저장하는 파이프라인을 개발한 데이터 엔지니어링팀과 협력합니다. ML 모델을 생성했으며 새 데이터가 제공되는 즉시 해당 데이터를 사용하여 모델을 새로 고치려고 합니다. CI/CD 워크플로의 일부로 Google Kubernetes Engine(GKE)에서 Kubeflow Pipelines 학습 작업을 자동으로 실행하려고 합니다. 이 워크플로우를 어떻게 설계해야 합니까?

A. 스토리지 버킷에서 새 파일을 사용할 수 있을 때 Pub/Sub 주제에 메시지를 보내도록 Cloud Storage 트리거를 구성합니다. Pub/Sub 트리거 Cloud 함수를 사용하여 GKE 클러스터에서 학습 작업 시작

B. App Engine을 사용하여 Cloud Storage에서 새 파일을 지속적으로 폴링하는 경량 Python 클라이언트를 만듭니다. 파일이 도착하자마자 학습 작업을 시작합니다.

C. Cloud Scheduler를 사용하여 정기적으로 작업을 예약합니다. 작업의 첫 번째 단계입니다. Cloud Storage 버킷에 있는 객체의 타임스탬프를 확인하세요. 마지막 실행 이후 새 파일이 없으면 작업을 취소하세요.

D. Cloud Storage에 파일을 저장하는 Dataflow로 파이프라인을 구성합니다. 파일이 저장된 후 GKE 클러스터에서 학습 작업을 시작합니다.

Professional-Machine-Learning-Engineer 문제 4

당신은 자동차 회사의 AI팀에서 일하고 있으며 TensorFlow와 Keras를 사용하여 시각적 결함 감지 모델을 개발하고 있습니다. 모델 성능을 향상하려면 변환, 자르기, 대비 조정과 같은 일부 이미지 확대 기능을 통합하려고 합니다. 이러한 기능을 각 훈련 배치에 무작위로 적용합니다. 런타임 및 컴퓨팅 리소스 활용도를 위해 데이터 처리 파이프라인을 최적화하려고 합니다. 당신은 무엇을 해야 합니까?

A. tf.Data 파이프라인에 증강 함수를 동적으로 포함합니다.

B. Keras 생성기의 일부로 증강 함수를 동적으로 포함합니다.

C. Dataflow를 사용하여 가능한 모든 증강을 생성하고 이를 TFRecord로 저장합니다.

D. Dataflow를 사용하여 학습 실행마다 동적으로 증강을 생성하고 이를 TFRecord로 스테이징합니다.

정답: A

런타임 및 컴퓨팅 리소스 활용을 위해 데이터 처리 파이프라인을 최적화하는 가장 좋은 옵션은 tf.Data 파이프라인에 증강 기능을 동적으로 포함하는 것입니다. 이 옵션에는 다음과 같은 장점이 있습니다.
* 데이터의 추가 복사본을 생성하거나 저장하지 않고도 데이터 확대를 즉시 수행할 수 있습니다. 이렇게 하면 저장 공간이 절약되고 데이터 전송 시간이 단축됩니다.
* tf.Data API의 병렬성과 성능을 활용합니다. 이는 여러 CPU 코어 또는 GPU 장치를 사용하여 여러 데이터 배치에 증강 기능을 병렬로 효율적으로 적용할 수 있습니다. tf.Data API는 또한 캐싱, 프리페칭, 자동 튜닝과 같은 다양한 최적화 기술을 지원하여 데이터 처리 속도를 향상하고 대기 시간을 줄입니다.
* 훈련 및 평가를 위한 입력으로 tf.Data 데이터 세트를 사용할 수 있는 TensorFlow 및 Keras 모델과 원활하게 통합됩니다. tf.Data API는 이미지, 텍스트, 오디오, 비디오 등 다양한 데이터 형식과 파일, 데이터베이스, 웹 서비스 등 다양한 데이터 소스도 지원합니다.
다른 옵션은 다음과 같은 이유로 최적이 아닙니다.
* 옵션 B: Keras 생성기의 일부로 증강 함수를 동적으로 포함하면 몇 가지 제한 사항과 오버헤드가 발생합니다. Keras 생성기는 훈련이나 평가를 위해 데이터 배치를 생성하는 Python 생성기입니다. 그러나 Keras 생성기는 여러 장치나 기계에 훈련을 배포하는 데 사용되는 tf.distribute API와 호환되지 않습니다. 게다가 Keras 생성기는 단일 Python 스레드에서 실행되고 병렬 처리 또는 최적화 기술을 지원하지 않기 때문에 tf.Data API만큼 효율적이거나 확장성이 없습니다.
* 옵션 C: Dataflow를 사용하여 가능한 모든 증강을 생성하고 이를 TFRecord로 저장하면 복잡성과 비용이 추가로 발생합니다. Dataflow는 데이터 처리 및 변환을 위해 Apache Beam 파이프라인을 실행하는 완전 관리형 서비스입니다. 그러나 Dataflow를 사용하여 가능한 모든 증강을 만들려면 많은 수의 증강 이미지를 생성하고 저장해야 하며, 이로 인해 많은 저장 공간이 소모되고 저장소 및 네트워크 비용이 발생할 수 있습니다. 또한 Dataflow를 사용하여 증강을 생성하려면 별도의 Dataflow 파이프라인을 작성하고 배포해야 하므로 지루하고 시간이 많이 걸릴 수 있습니다.
* 옵션 D: Dataflow를 사용하여 학습 실행마다 동적으로 증강을 생성하고 이를 TFRecord로 스테이징하면 복잡성과 지연 시간이 추가로 발생합니다. Dataflow는 데이터 처리 및 변환을 위해 Apache Beam 파이프라인을 실행하는 완전 관리형 서비스입니다. 그러나 Dataflow를 사용하여 학습 실행마다 동적으로 증강을 생성하려면 모델이 학습될 때마다 Dataflow 파이프라인을 실행해야 하므로 지연 시간이 발생하고 학습 프로세스가 지연될 수 있습니다. 또한 Dataflow를 사용하여 증강을 생성하려면 별도의 Dataflow 파이프라인을 작성하고 배포해야 하므로 지루하고 시간이 많이 걸릴 수 있습니다.
참고자료:
* [tf.data: TensorFlow 입력 파이프라인 구축]
* [이미지 확대 | 텐서플로우 코어]
* [데이터플로우 문서]

Professional-Machine-Learning-Engineer 문제 5

팀에서는 이미지에 운전면허증, 여권 또는 신용카드가 포함되어 있는지 예측하는 모델을 구축해야 합니다. 데이터 엔지니어링 팀은 이미 파이프라인을 구축하고 운전면허증이 포함된 이미지 10,000개, 여권이 포함된 이미지 1,000개, 신용카드가 포함된 이미지 1,000개로 구성된 데이터 세트를 생성했습니다. 이제 ['driversjicense', 'passport', 'credit_card'] 라벨 맵을 사용하여 모델을 훈련해야 합니다. 어떤 손실 함수를 사용해야 합니까?

A. 범주형 힌지

B. 이진 교차 엔트로피

C. 범주형 교차 엔트로피

D. 희소 범주형 교차 엔트로피