A. TensorFlow Serving 매개변수를 조정하여_PREDICT 모드에서 드롭아웃 비율을 0.8로 높입니다.

B. 드롭아웃 비율을 0.8로 높이고 모델을 다시 학습시킵니다.

C. CPU에서 GPU 제공으로 전환

D. 부동 소수점 정밀도를 tf.float16으로 줄여 저장된 모델에 양자화를 적용합니다.

A. Dataflow 스트리밍 작업을 실행하여 데이터를 BigQuery로 수집합니다.

B. 데이터를 BigQuery로 수집하도록 Pub/Sub 및 Dataflow 스트리밍 작업을 구성합니다.

C. Dataproc에서 Apache Spark 스트리밍 작업을 실행하여 데이터를 BigQuery로 수집합니다.

D. 데이터를 BigQuery로 스트리밍하도록 Pub/Sub를 구성합니다.

A. Vertex Al 파이프라인: Vertex Al 실험 및 Vertex Al 메타데이터

B. Vertex Al 파이프라인, Vertex Al Feature Store, Vertex Al 실험

C. 데이터플렉스. Vertex Al Feature Store 및 Vertex Al TensorBoard

D. 데이터플렉스. Vertex Al 실험 및 Vertex Al ML 메타데이터

A. Vertex Al Workbench 사용자 관리 노트북 인스턴스를 가동하고 데이터세트를 가져옵니다. 이 데이터를 사용하여 통계 및 시각적 분석을 만듭니다.

B. Google 데이터 스튜디오에서 시간 도표를 시각화합니다. 데이터 세트를 Vertex Al Workbench 사용자 관리 노트북으로 가져옵니다. 이 데이터를 사용하여 기술 통계를 계산하고 통계 분석을 실행합니다.

C. BigQuery를 사용하여 기술 통계를 계산합니다. Vertex Al Workbench 사용자 관리 노트북을 사용하여 시간 도표를 시각화하고 통계 분석을 실행합니다.
D BigQuery를 사용하여 기술 통계를 계산하고 Google Data Studio를 사용하여 시간 도표를 시각화합니다. Vertex Al Workbench 사용자 관리 노트북을 사용하여 통계 분석을 실행합니다.

A. 기존 Vertex Al 엔드포인트에 대한 모델 모니터링 작업을 구성합니다. 예측 드리프트를 감지하도록 모니터링 작업을 구성하고 경고에 대한 임계값을 설정합니다. 엔드포인트의 모델을 이전 모델에서 새 모델로 업데이트합니다. 예측 드리프트에 대한 경고를 받으면 이전 모델로 되돌립니다.

B. BigQuery에서 들어오는 예측 요청 캡처 Vertex Al 실험에서 실험 생성 캡처된 데이터를 사용하여 두 모델에 대한 일괄 예측 실행 사용자가 선택한 노래를 사용하여 모델 성능을 나란히 비교 새 모델 성능 측정항목이 더 나은 경우 이전 모델보다 새 모델을 프로덕션에 배포합니다.

C. 기존 Vertex Al 엔드포인트에 새 모델을 배포합니다. 트래픽 분할을 사용하여 프로덕션 트래픽의 5%를 새 모델로 보냅니다. 청취 시간과 같은 최종 사용자 측정항목을 모니터링합니다. 시간이 지남에 따라 모델 간에 최종 사용자 측정항목이 개선되는 경우 , 새 모델로 전송되는 생산 트래픽의 비율을 점차적으로 늘립니다.

D. 새 모델에 대한 새 Vertex Al 엔드포인트를 생성하고 해당 새 엔드포인트에 새 모델을 배포합니다. 프로덕션 트래픽의 5%를 새 엔드포인트로 무작위로 전송하는 서비스를 구축합니다. 수신 시간과 같은 최종 사용자 측정항목을 모니터링합니다. 최종 사용자 지표는 시간이 지남에 따라 모델 간에 개선되어 새 엔드포인트로 전송되는 프로덕션 트래픽의 비율이 점차 증가합니다.