Évaluation du module

1.

Le système de planification d’une clinique doit disposer immédiatement d’un score de risque de non-présentation au moment où le personnel fixe un rendez-vous. Quel type de point de terminaison l’équipe doit-elle déployer le modèle ?

Point de terminaison de lot

Point de terminaison en ligne

Point de terminaison privé

2.

Pourquoi Azure Machine Learning peut-il générer automatiquement le script de calcul des scores et l’environnement lorsqu’une équipe de science des données consigne un modèle avec MLflow ?

Étant donné que le format du modèle MLflow stocke les métadonnées que Azure Machine Learning utilise pour les générer pendant le déploiement

Étant donné que l’inscription du modèle le convertit en fichier pickle qui ne nécessite aucune configuration supplémentaire

Étant donné que Azure Machine Learning prend uniquement en charge le déploiement de modèles MLflow

3.

Une équipe déplace 25% du trafic de point de terminaison vers un nouveau déploiement de modèle. Son taux d’erreur augmente fortement, tandis que le déploiement précédent reste sain. Qu’est-ce que l’équipe doit faire en premier ?

Supprimer le déploiement précédent et recréer le point de terminaison

Redirigez tout le trafic vers le déploiement précédent, puis examinez la nouvelle version

Continuer à augmenter le trafic pour déterminer si le taux d’erreur se stabilise

4.

Une équipe déploie et teste automatiquement un modèle, mais souhaite qu’un réviseur l’approuve avant que le flux de travail déplace le trafic de production. Qu’est-ce que l’équipe doit configurer ?

Environnement de production de GitHub protégé avec un réviseur requis

Règle de protection de branche qui s’exécute après chaque déploiement

Variable de référentiel qui enregistre si le déploiement a été approuvé

5.

Un système de surveillance du modèle détecte un signal persistant de dérive des prédictions, et le personnel de la clinique confirme que les patients signalés ne présentent pas réellement de risque élevé. Quelle est la prochaine étape la plus appropriée pour l’équipe de science des données ?

Ignorer le signal, car les métriques opérationnelles du point de terminaison affichent un taux d’erreur normal

Examiner le signal et envisager de réentraîner le modèle sur des données plus récentes

Supprimez le point de terminaison afin qu’il cesse de fournir des prédictions

Commentaires