Atividade Objetiva 3_ 11 - Cultura e Práticas DataOps e MLOps (2023)

Prévia do material em texto

Atividade Objetiva 3
Entrega Sem prazo
Pontos 15
Perguntas 5
Limite de tempo Nenhum
Tentativas permitidas Sem limite
Instruções
Histórico de tentativas
Tentativa Tempo Pontuação
MAIS RECENTE Tentativa 1 2 minutos 15 de 15
 As respostas corretas estão ocultas.
Pontuação desta tentativa: 15 de 15
Enviado 11 jul em 8:55
Esta tentativa levou 2 minutos.

Pergunta 1
3 / 3 pts
 
Integração contínua é uma técnica exclusiva para a integração de algoritmos de Machine Learning em sistemas
legados.
 
Integração contínua refere-se à prática de integrar apenas os códigos finais de um projeto de Machine Learning,
ignorando os estágios intermediários.
O objetivo desta atividade é proporcionar uma melhor fixação quanto ao conteúdo da unidade 3.
Com isso você será capaz de ter um entendimento das abordagens apresentadas na unidade.
Para iniciar o questionário:
Clique em "Fazer o teste";
Responda todas as questões e depois clique no botão "Enviar teste" para finalizar a atividade.
Depois de enviar seu questionário, clique no botão "Próximo" logo abaixo para continuar. ⬇ 
Fazer o teste novamente
O que significa integração contínua no contexto de MLOps?
23/07/2024, 20:01 Atividade Objetiva 3: 11 - Cultura e Práticas DataOps e MLOps (2023)
https://pucminas.instructure.com/courses/174161/quizzes/428568 1/3
https://pucminas.instructure.com/courses/174161/quizzes/428568/history?version=1
https://pucminas.instructure.com/courses/174161/quizzes/428568/take?user_id=263917
 
Integração contínua se refere à integração de diferentes ferramentas de DataOps e MLOps em um único ambiente
de desenvolvimento.
 
Integração contínua é a prática de integrar continuamente as alterações no código-fonte e outras partes do projeto,
permitindo uma validação automática e frequente.
Esta é a alternativa correta. Integração contínua é a prática de integrar continuamente as alterações
no código-fonte, bem como outras partes do projeto, como testes automatizados e configuração de
ambiente. Isso permite uma validação automática e frequente, contribuindo para a detecção precoce
de problemas.

Pergunta 2
3 / 3 pts
 Verdadeiro
Resposta correta.
 Falso

Pergunta 3
3 / 3 pts
 Verdadeiro
Resposta correta.
 Falso

Pergunta 4
3 / 3 pts
 
O versionamento de modelos refere-se à prática de atribuir uma única versão a todos os modelos desenvolvidos
em um projeto de Machine Learning.
 
Versionamento de modelos se refere à prática de armazenar modelos de Machine Learning em diferentes locais
físicos para garantir redundância.
O registro de modelos (model registry) em MLOps é uma prática que envolve o armazenamento e o
controle de versões de modelos de Machine Learning, facilitando a reprodução e o gerenciamento
dos modelos em produção. Com base no que foi aprendido sobre MLOps, pode-se dizer que o
conteúdo da frase anterior é:
O versionamento de modelos (model versioning) em MLOps é uma prática que envolve o controle de
versões de modelos de Machine Learning, permitindo o acompanhamento das mudanças ao longo
do tempo e facilitando a reprodução de resultados. Podemos dizer que o conteúdo da afirmação
anterior pode ser considerado:
O que significa versionamento de modelos (model versioning) em MLOps?
23/07/2024, 20:01 Atividade Objetiva 3: 11 - Cultura e Práticas DataOps e MLOps (2023)
https://pucminas.instructure.com/courses/174161/quizzes/428568 2/3
 
Versionamento de modelos envolve o controle de versões de modelos de Machine Learning, permitindo o
acompanhamento das mudanças ao longo do tempo e facilitando a reprodução de resultados.
Esta é a alternativa correta. O versionamento de modelos (model versioning) em MLOps envolve o
controle de versões de modelos de Machine Learning, permitindo o acompanhamento preciso das
mudanças que ocorrem ao longo do tempo. Isso é crucial para garantir a reprodução consistente dos
resultados e para o gerenciamento eficaz dos modelos em produção.
 
Versionamento de modelos é uma técnica específica para atualizar automaticamente os modelos de Machine
Learning sem a necessidade de intervenção humana.

Pergunta 5
3 / 3 pts
 
Pipelines com GitHub Actions são um conjunto de etapas automatizadas que integram, testam e implantam código
e modelos de Machine Learning diretamente do repositório do GitHub.
Esta é a alternativa correta. Pipelines com GitHub Actions são um conjunto de etapas automatizadas
que integram, testam e implantam código e modelos de Machine Learning diretamente do repositório
do GitHub. Eles permitem uma integração contínua e uma entrega eficiente de modelos.
 
Pipelines com GitHub Actions são um recurso específico para gerenciar dados em um projeto de Machine Learning
hospedado no GitHub.
 
Pipelines com GitHub Actions são um método exclusivo para implantar modelos de Machine Learning em
ambientes locais sem a necessidade de integração com ferramentas de CI/CD.
 
Pipelines com GitHub Actions são um tipo de modelo de Machine Learning que utiliza a plataforma GitHub para
treinar e implantar modelos.
Pontuação do teste: 15 de 15
O que são pipelines com GitHub Actions no contexto de MLOps?
23/07/2024, 20:01 Atividade Objetiva 3: 11 - Cultura e Práticas DataOps e MLOps (2023)
https://pucminas.instructure.com/courses/174161/quizzes/428568 3/3