PROVA ON-LINE_ 11 - Cultura e Práticas DataOps e MLOps (2023)

Prévia do material em texto

PROVA ON-LINE
Entrega Sem prazo
Pontos 40
Perguntas 10
Limite de tempo 60 Minutos
Tentativas permitidas 2
Instruções
Histórico de tentativas
Tentativa Tempo Pontuação
MAIS RECENTE Tentativa 1 15 minutos 40 de 40
Pontuação desta tentativa: 40 de 40
Enviado 23 jul em 20:24
Esta tentativa levou 15 minutos.

Pergunta 1
4 / 4 pts
INSTRUÇÕES DA AVALIAÇÃO ON-LINE
- A prova tem a duração de 60 minutos. 
- Ao clicar em PROVA ON-LINE, no menu “Testes” você iniciará a prova. Ao acessar a página com as
questões, o tempo começa a ser contado.
- A prova é composta de 10 (dez) questões objetivas, sendo 04 (quatro) pontos cada.
- Ao final do teste não se esqueça de enviá-lo, clicando no botão “ENVIAR TESTE”. Só utilize esse
botão quando tiver finalizado a avaliação.
- Se necessário, durante a prova, entre em contato pelo link “Atendimento”.
- Você terá 02 (duas) tentativas e, caso necessite de uma nova, será preciso solicitar a prova extra,
que requer pagamento de taxa adicional.
Atenção: Todas as provas iniciadas e que não houverem sido submetidas serão automaticamente
encerradas pelo sistema transcorridos os 60 minutos de duração.
Boa prova!
Fazer o teste novamente
Na implementação de práticas de MLOps, a integração contínua desempenha um papel crucial. Ela
envolve a automação de testes e verificações de código, garantindo que as alterações feitas em
23/07/2024, 20:24 PROVA ON-LINE: 11 - Cultura e Práticas DataOps e MLOps (2023)
https://pucminas.instructure.com/courses/174161/quizzes/428575 1/7
https://pucminas.instructure.com/courses/174161/quizzes/428575/history?version=1
https://pucminas.instructure.com/courses/174161/quizzes/428575/take?user_id=263917
 
Integração contínua se refere ao processo de coleta e organização de dados antes de alimentar um modelo de
Machine Learning.
Correto!
 
Integração contínua envolve a automação de testes e verificações de código, garantindo que as alterações em
modelos de Machine Learning sejam integradas de forma eficiente e sem comprometer a estabilidade do sistema.
Esta é a alternativa correta. A integração contínua em MLOps envolve a automação de testes e
verificações de código, garantindo que as alterações em modelos de Machine Learning sejam
integradas de forma eficiente e sem comprometer a estabilidade do sistema. Isso contribui para um
ciclo de desenvolvimento mais rápido e seguro.
 
Integração contínua é um processo exclusivo para a integração de dados de diferentes fontes em um ambiente de
DataOps.
 
A integração contínua em MLOps refere-se à prática de realizar treinamentos de modelos de Machine Learning de
forma contínua, sem interrupções

Pergunta 2
4 / 4 pts
Correto!
 
A necessidade de ajustar continuamente os algoritmos de Machine Learning para lidar com mudanças na
distribuição dos dados.
Esta é a alternativa correta. O Data Drift representa o desafio de ajustar continuamente os algoritmos
de Machine Learning para lidar com mudanças na distribuição dos dados. Isso é crucial para manter
a precisão e relevância dos modelos ao longo do tempo.
 O aumento da confiabilidade dos modelos devido à constante atualização dos dados de produção.
 A redução da necessidade de monitoramento de dados de produção ao longo do tempo.
modelos de Machine Learning sejam integradas de forma eficiente e sem comprometer a
estabilidade do sistema. O que representa a prática de integração contínua em MLOps?
No contexto de DataOps, o termo "Data Drift" se refere a um dos desafios mais comuns enfrentados
pelas equipes que lidam com dados em ambientes dinâmicos. O Data Drift ocorre quando a
distribuição ou características dos dados de produção mudam ao longo do tempo, o que pode afetar
a performance e a confiabilidade dos modelos de Machine Learning em produção.
É crucial para as equipes de DataOps detectar e lidar com o Data Drift de forma eficaz para manter a
precisão e a relevância dos modelos. Isso pode envolver a implementação de monitoramento
contínuo, re-treinamento periódico e ajustes nos pipelines de dados.
Considerando o conceito de "Data Drift" em ambientes de DataOps, qual é o principal desafio que
ele representa para as equipes que lidam com modelos de Machine Learning?
23/07/2024, 20:24 PROVA ON-LINE: 11 - Cultura e Práticas DataOps e MLOps (2023)
https://pucminas.instructure.com/courses/174161/quizzes/428575 2/7
 
A simplificação do processo de treinamento de modelos, uma vez que os dados de produção permanecem
constantes.

Pergunta 3
4 / 4 pts
 
Reduzir o número de integrações de código, priorizando a entrega de novas funcionalidades diretamente para
produção.
Correto!
 
Automatizar o processo de integração de código e modelos de Machine Learning, permitindo verificações
automáticas para garantir a consistência e a qualidade do código.
Esta é a alternativa correta. A integração contínua em MLOps tem como objetivo automatizar o
processo de integração de código e modelos de Machine Learning. Ela permite verificações
automáticas para garantir a consistência e a qualidade do código, contribuindo para a detecção
precoce de problemas e a entrega mais eficiente de modelos.
 
Assegurar que os dados utilizados nos modelos de Machine Learning estejam sempre atualizados e prontos para
serem processados.
 
Garantir que todos os membros da equipe estejam integrados socialmente, promovendo uma melhor colaboração.

Pergunta 4
4 / 4 pts
 
Limitar o acesso ao modelo para um número restrito de usuários, garantindo a segurança das previsões geradas.
 Reduzir a complexidade do modelo, tornando-o mais fácil de ser interpretado por usuários finais
 Aumentar a precisão do modelo devido à exposição através da API.
Correto!
Qual é o principal objetivo da integração contínua em MLOps?
Em ambientes de DataOps e MLOps, a disponibilização de modelos de Machine Learning por meio
de APIs (Application Programming Interfaces) desempenha um papel crucial. Isso permite que os
modelos sejam consumidos por diferentes sistemas e aplicações, integrando-se de forma eficiente
aos processos de negócios.
Ao expor modelos por meio de APIs, as equipes de DataOps e MLOps precisam considerar aspectos
como a segurança da API, escalabilidade e monitoramento de desempenho. Esses fatores são
essenciais para garantir uma experiência confiável e eficaz ao utilizar os modelos em produção.
Ao disponibilizar um modelo de Machine Learning por meio de uma API, qual é um dos principais
benefícios que as equipes de DataOps e MLOps buscam alcançar?
23/07/2024, 20:24 PROVA ON-LINE: 11 - Cultura e Práticas DataOps e MLOps (2023)
https://pucminas.instructure.com/courses/174161/quizzes/428575 3/7
 
Integrar o modelo de forma eficiente aos processos de negócios, permitindo sua utilização em diferentes sistemas
e aplicações.
Esta é a alternativa correta. Um dos principais benefícios de disponibilizar um modelo de Machine
Learning por meio de uma API é a capacidade de integrá-lo de forma eficiente aos processos de
negócios. Isso permite que o modelo seja utilizado em diferentes sistemas e aplicações,
proporcionando um maior impacto nos processos organizacionais.

Pergunta 5
4 / 4 pts
 O GitHub Actions é usado para avaliar e monitorar modelos de machine learning em produção.
Correto!
 
O GitHub Actions é usado para automatizar a integração contínua (CI) e a implantação contínua (CD) de modelos
de machine learning.
O GitHub Actions é usado para automatizar a integração contínua (CI) e a implantação contínua
(CD) de modelos de machine learning.
O GitHub Actions é uma plataforma de automação que pode ser usada para automatizar uma ampla
gama de tarefas, incluindo CI/CD para modelos de machine learning. Os pipelines de CI/CD podem
ser usados para automatizar tarefas como:
Construção de imagens Docker para modelos de machine learning
Treinamento de modelos de machine learning
Avaliação de modelos de machine learning
Implantação de modelos de machine learning em produção
 O GitHub Actions é usado para armazenar e gerenciar dados de treinamento de modelos demachine learning.
 
O GitHub Actions é usado para criar e gerenciar ambientes de desenvolvimento, teste e produção para modelos de
machine learning.

Pergunta 6
4 / 4 pts
Correto!
 
O GitHub é uma plataforma de colaboração e hospedagem de código fonte baseada em Git, permitindo o controle
de versões e a colaboração eficiente em projetos de desenvolvimento de software.
Esta é a alternativa correta. O GitHub é uma plataforma amplamente utilizada para colaboração e
hospedagem de código fonte. É baseada em Git e permite o controle de versões, a colaboração
Qual das alternativas a seguir descreve corretamente o papel do GitHub Actions em um pipeline de
MLOps?
No contexto de DataOps e MLOps, o GitHub desempenha um papel fundamental. O que é
principalmente o GitHub?
23/07/2024, 20:24 PROVA ON-LINE: 11 - Cultura e Práticas DataOps e MLOps (2023)
https://pucminas.instructure.com/courses/174161/quizzes/428575 4/7
eficiente entre equipes de desenvolvimento e o gerenciamento de projetos de software.
 O GitHub é um framework para a construção de pipelines de Machine Learning em ambientes de MLOps.
 
O GitHub é um sistema de gerenciamento de bancos de dados amplamente utilizado em ambientes de DataOps.
 O GitHub é uma ferramenta de visualização de dados para análise de conjuntos de dados em DataOps.

Pergunta 7
4 / 4 pts
Correto!
 Falso
O registro de modelos de machine learning é um processo essencial para garantir a rastreabilidade,
a reprodutibilidade e a confiança de modelos. Porém, não ter um registro ou algum local para
armazenar o modelo não é impeditivo para treinar o modelo em si, mas sim uma boa prática no
processo de desenvolvimento.
Ao registrar um modelo, é possível armazenar e gerenciar informações importantes sobre o modelo,
como:
Nome
Versão
Metadados
Dados de treinamento
Código
Resultados de avaliação
Essas informações podem ser usadas para:
Recuperar um modelo específico
Comparar diferentes versões de um modelo
Identificar o impacto de alterações no modelo
Reverter para uma versão anterior do modelo
 Verdadeiro

Pergunta 8
4 / 4 pts
 Dockerfile é uma unidade de software que agrupa código, bibliotecas e dependências em um ambiente isolado.
 Dockerfile é uma máquina virtual que executa um único aplicativo ou serviço.
Correto!
 Dockerfile é um arquivo que contém um conjunto de instruções para criar um container.
O registro de modelos de machine learning é um elemento obrigatório ao se treinar um modelo.
Qual das alternativas a seguir descreve corretamente o arquivo Dockerfile?
23/07/2024, 20:24 PROVA ON-LINE: 11 - Cultura e Práticas DataOps e MLOps (2023)
https://pucminas.instructure.com/courses/174161/quizzes/428575 5/7
O Dockerfile é um arquivo que contém um conjunto de instruções para criar um container. Essas
instruções incluem o código, as bibliotecas e as dependências necessárias para executar o aplicativo
ou serviço.
 
Dockerfile é um ambiente virtual que pode ser usado para executar um aplicativo ou serviço em um ambiente
isolado.

Pergunta 9
4 / 4 pts
 Priorizar a quantidade de funcionalidades entregues em detrimento da qualidade do software.
 Isolar as equipes de desenvolvimento e operações para garantir uma maior segurança nos processos.
 Eliminar a necessidade de monitoramento de sistemas e aplicações, tornando o processo mais ágil.
Correto!
 
Acelerar a entrega de software de alta qualidade, promovendo a colaboração e eficiência entre as equipes de
desenvolvimento e operações.
Esta é a alternativa correta. Um dos principais objetivos do DevOps é acelerar a entrega de software
de alta qualidade, promovendo a colaboração e eficiência entre as equipes de desenvolvimento e
operações. Isso é alcançado por meio da automação de tarefas, da implementação de práticas de
monitoramento e da promoção de uma cultura de colaboração.

Pergunta 10
4 / 4 pts
 Locust é um banco de dados distribuído amplamente utilizado em ambientes de DataOps.
Correto!
 Locust é uma ferramenta de código aberto para realizar testes de carga em aplicações web.
Esta é a alternativa correta. Locust é uma ferramenta de código aberto utilizada para realizar testes
de carga em aplicações web. Ela permite simular o comportamento de um grande número de
usuários para avaliar o desempenho de uma aplicação.
 Locust é um framework para a construção de pipelines de Machine Learning em ambientes de MLOps.
DevOps é uma abordagem que visa a integração e colaboração entre as equipes de
desenvolvimento (Dev) e operações (Ops) no ciclo de vida de desenvolvimento de software. O
principal objetivo é acelerar a entrega de software de alta qualidade, garantindo eficiência e
confiabilidade nos processos.
Essa abordagem envolve a automação de tarefas, a implementação de práticas de monitoramento e
a adoção de uma cultura de colaboração entre as equipes. Ao unificar o desenvolvimento e a
operação, o DevOps busca reduzir falhas, melhorar a eficiência e promover a inovação de forma
mais rápida e segura. Considerando a abordagem do DevOps, qual é um dos principais objetivos
dessa prática?
O que é o Locust no contexto de DataOps e MLOps?
23/07/2024, 20:24 PROVA ON-LINE: 11 - Cultura e Práticas DataOps e MLOps (2023)
https://pucminas.instructure.com/courses/174161/quizzes/428575 6/7
 Locust é um sistema de monitoramento de métricas de desempenho de servidores em tempo real.
Pontuação do teste: 40 de 40
23/07/2024, 20:24 PROVA ON-LINE: 11 - Cultura e Práticas DataOps e MLOps (2023)
https://pucminas.instructure.com/courses/174161/quizzes/428575 7/7