Avaliação do módulo

1.

O sistema de agendamento de uma clínica precisa de uma pontuação imediata do risco de não comparecimento assim que a equipe marca uma consulta. Em qual tipo de ponto de extremidade a equipe deve implantar o modelo?

Ponto de extremidade em lote

Ponto de extremidade online

Ponto de extremidade privado

2.

Por que Azure Machine Learning pode gerar o script de pontuação e o ambiente automaticamente quando uma equipe de ciência de dados registra um modelo com o MLflow?

Como o formato de modelo do MLflow armazena metadados que Azure Machine Learning usa para compilá-los durante a implantação

Pois registrar o modelo o converte em um arquivo pickle que não requer nenhuma configuração adicional

Como Azure Machine Learning dá suporte apenas à implantação de modelos do MLflow

3.

Uma equipe redireciona 25% do tráfego do endpoint para a implantação de um novo modelo. Sua taxa de erros aumenta acentuadamente, enquanto a implantação anterior permanece íntegra. O que a equipe deve fazer primeiro?

Excluir a implantação anterior e recriar o endpoint

Rotear todo o tráfego de volta para a implantação anterior e, em seguida, investigar a nova versão

Continuar aumentando o tráfego para determinar se a taxa de erro se estabiliza

4.

Uma equipe implanta e testa um modelo automaticamente, mas deseja que um revisor o aprove antes que o fluxo de trabalho mude o tráfego de produção. O que a equipe deve configurar?

Um ambiente de produção de GitHub protegido com um revisor necessário

Uma regra de proteção de ramificação que é executada após cada implantação

Uma variável de repositório que registra se a implantação foi aprovada

5.

O monitoramento do modelo relata um sinal persistente de desvio nas previsões, e a equipe da clínica confirma que os pacientes identificados não são, na verdade, de alto risco. Qual é a próxima etapa mais apropriada para a equipe de ciência de dados?

Ignore o sinal, já que as métricas operacionais do ponto de extremidade mostram uma taxa de erro normal

Investigue o sinal e considere treinar novamente o modelo em dados mais recentes

Excluir o endpoint para que ele pare de fornecer previsões

Comentários