무료 온라인 액세스 Google.Professional-Machine-Learning-Engineer.v2024-09-10.q112 모의 시험 (Page 4)

Professional-Machine-Learning-Engineer 문제 11

Compute Engine의 GPU 기반 가상 머신을 사용하여 특정 이미지에 존재하는 정부 ID 유형을 예측하는 컴퓨터 비전 모델을 학습해야 합니다. 다음 매개변수를 사용합니다.
* 최적화: SGD
* 이미지 모양 = 224x224
* 배치 크기 = 64
* 에포크 = 10
* 장황함 = 2
훈련 중에 다음 오류가 발생합니다: ResourceExhaustedError: 텐서를 할당할 때 메모리 부족(oom). 당신은 무엇을 해야 합니까?

A. 학습률 변경

B. 최적화 프로그램 변경

C. 배치 크기를 줄입니다.

D. 이미지 모양을 줄입니다.

Professional-Machine-Learning-Engineer 문제 12

데이터 과학 팀에서는 예약된 모델 재훈련을 지원하는 시스템, Docker 컨테이너, 그리고 온라인 예측 요청에 대한 자동 크기 조정 및 모니터링을 지원하는 서비스를 요청했습니다. 이 시스템에는 어떤 플랫폼 구성 요소를 선택해야 합니까?

A. Cloud Composer, 커스텀 컨테이너를 사용한 Al Platform Training, App Engine

B. Vertex AI 파이프라인 및 Al 플랫폼 예측

C. Cloud Composer, BigQuery ML, Al 플랫폼 예측

D. Vertex AI 파이프라인 및 App Engine

Professional-Machine-Learning-Engineer 문제 13

기계 학습 전문가가 Amazon SageMaker에 사용자 지정 알고리즘을 도입하려고 합니다. 전문가는 Amazon SageMaker가 지원하는 Docker 컨테이너에서 알고리즘을 구현합니다.
Amazon SageMaker가 교육을 올바르게 시작할 수 있도록 전문가는 Docker 컨테이너를 어떻게 패키징해야 합니까?

A. Dockerfile에서 CMD 구성을 사용하여 학습 프로그램을 이미지의 CMD로 추가합니다.

B. 교육 프로그램을 ENTRYPOINT라는 열차로 구성합니다.

C. 컨테이너에서 bash_profile 파일을 수정하고 bash 명령을 추가하여 훈련 프로그램을 시작합니다.

D. 훈련 프로그램을 /opt/ml/train 디렉토리에 복사합니다.

Professional-Machine-Learning-Engineer 문제 14

당신은 대기업의 데이터 과학 이사이며 데이터 과학 팀은 최근 Kubeflow Pipelines SDK를 사용하여 훈련 파이프라인을 조정하기 시작했습니다. 귀하의 팀은 사용자 정의 Python 코드를 Kubeflow Pipelines SDK에 통합하는 데 어려움을 겪고 있습니다. 코드를 Kubeflow Pipelines SDK와 신속하게 통합하려면 진행하도록 어떻게 지시해야 하나요?

A. func_to_container_op 함수를 사용하여 Python 코드에서 사용자 정의 구성 요소를 만듭니다.

B. Kubeflow Pipelines SDK에서 제공되는 사전 정의된 구성요소를 사용하여 Dataproc에 액세스하고 거기서 커스텀 코드를 실행합니다.

C. 사용자 지정 Python 코드를 Docker 컨테이너에 패키징하고 load_comComponent_from_file 함수를 사용하여 컨테이너를 파이프라인으로 가져옵니다.

D. 커스텀 Python 코드를 Cloud Functions에 배포하고 Kubeflow Pipelines를 사용하여 Cloud Function을 트리거합니다.

정답: A

사용자 정의 Python 코드를 Kubeflow Pipelines SDK에 통합하는 가장 쉬운 방법은 Python 함수를 파이프라인 구성요소로 변환하는 func_to_container_op 함수를 사용하는 것입니다. 이 함수는 Python 함수를 실행하는 Docker 이미지를 자동으로 빌드하고 파이프라인에 대한 kfp.dsl.ContainerOp 인스턴스를 생성하는 데 사용할 수 있는 팩토리 함수를 반환합니다. 이 옵션에는 다음과 같은 이점이 있습니다.
* 이를 통해 데이터 과학 팀은 기존 Python 코드를 다시 작성하거나 컨테이너에 수동으로 패키징하지 않고도 재사용할 수 있습니다.
* 함수 서명이 구성 요소 인터페이스를 정의하고 함수 본문이 구성 요소 논리를 정의하므로 구성 요소 사양 및 구현이 단순화됩니다.
* 기본 유형, 파일, 디렉토리, 사전 등 다양한 유형의 입력 및 출력을 지원합니다.
다른 옵션은 다음과 같은 이유로 최적이 아닙니다.
* 옵션 B: Kubeflow Pipelines SDK에서 제공되는 사전 정의된 구성요소를 사용하여 Dataproc에 액세스하고 거기에서 커스텀 코드를 실행하면 복잡성과 비용이 추가로 발생합니다. 이 옵션을 사용하려면 Apache Spark 및 Apache Hadoop을 실행하는 Compute Engine 인스턴스의 임시적이고 확장 가능한 클러스터인 Dataproc 클러스터를 만들고 관리해야 합니다. 또한 이 옵션을 사용하려면 PySpark 또는 Hadoop MapReduce에서 사용자 지정 코드를 작성해야 하는데, 이는 기존 Python 코드와 호환되지 않을 수 있습니다.
* 옵션 C: 사용자 지정 Python 코드를 Docker 컨테이너에 패키징하고 load_comComponent_from_file 함수를 사용하여 컨테이너를 파이프라인으로 가져오면 추가 단계와 오버헤드가 발생합니다. 이 옵션을 사용하려면 Dockerfile을 생성 및 유지 관리하고, Docker 이미지를 구축 및 푸시하고, YAML 파일에 구성 요소 사양을 작성해야 합니다. 또한 이 옵션을 사용하려면 Python 코드와 Docker 이미지의 종속성과 버전을 관리해야 합니다.
* 옵션 D: 커스텀 Python 코드를 Cloud Functions에 배포하고 Kubeflow Pipelines를 사용하여 Cloud Function을 트리거하면 추가 지연 시간과 제한 사항이 발생합니다. 이 옵션을 사용하려면 이벤트에 응답하여 실행되는 서버리스 기능인 Cloud Functions를 만들고 배포해야 합니다.
또한 이 옵션을 사용하려면 HTTP 요청을 사용하여 Kubeflow Pipelines에서 Cloud Functions를 호출해야 하며, 이로 인해 네트워크 오버헤드와 지연 시간이 발생할 수 있습니다. 또한 이 옵션에는 최대 실행 시간, 메모리 사용량 등 Cloud Functions의 할당량 및 한도가 적용됩니다.
참고자료:
* Python 함수 기반 구성요소 빌드 | Kubeflow
* Python 함수 기반 구성 요소 구축 | Kubeflow

Professional-Machine-Learning-Engineer 문제 15

당신은 컨택 센터를 현대화하려는 대규모 기술 회사에서 근무하고 있습니다. 귀하는 요청이 올바른 지원팀에 더 신속하게 전달될 수 있도록 수신 통화를 제품별로 분류하는 솔루션을 개발해 달라는 요청을 받았습니다. 이미 Speech-to-Text API를 사용하여 통화 내용을 텍스트로 변환했습니다. 데이터 전처리 및 개발 시간을 최소화하고 싶습니다. 모델을 어떻게 구축해야 합니까?

A. 녹음된 통화에서 제품 키워드를 식별하는 사용자 정의 모델을 구축한 후 분류 알고리즘을 통해 키워드를 실행합니다.

B. Al Platform Training 내장 알고리즘을 사용하여 맞춤 모델 만들기

C. AutoML Natural Language를 사용하여 분류를 위한 커스텀 항목 추출

D. Cloud Natural Language API를 사용하여 분류를 위한 커스텀 항목 추출

다른 버전: 2365Google.Professional-Machine-Learning-Engineer.v2024-03-06.q113; 1565Google.Professional-Machine-Learning-Engineer.v2023-07-12.q107; 1268Google.Professional-Machine-Learning-Engineer.v2023-03-02.q80; 1505Google.Professional-Machine-Learning-Engineer.v2022-07-01.q63; 1384Google.Professional-Machine-Learning-Engineer.v2022-06-22.q67; 1885Google.Professional-Machine-Learning-Engineer.v2021-12-22.q66

최근 업로드: 124ACFE.CFE-Fraud-Prevention-and-Deterrence.v2026-10-18.q194; 151Oracle.1Z0-1048-26.v2026-10-17.q66; 174Splunk.SPLK-3003.v2026-10-17.q106; 164Nokia.SRAN-Radio-Network-Performance-Optimization.v2026-10-16.q18; 186Pegasystems.PEGACPRSA22V1.v2026-10-16.q33; 200PaloAltoNetworks.XSIAM-Analyst.v2026-10-15.q75; 278Splunk.SPLK-1002.v2026-10-15.q187; 170Workday.Workday-Adaptive-Planning.v2026-10-15.q23; 162AIChE.CCPSC.v2026-10-15.q37; 233API.API-571.v2026-10-15.q131