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
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
27/07/2024, 16:05 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/take?user_id=271431
Tentativa Tempo Pontuação
MAIS RECENTE Tentativa 1 13 minutos 40 de 40
Pontuação desta tentativa: 40 de 40
Enviado 27 jul em 16:04
Esta tentativa levou 13 minutos.

Pergunta 1
4 / 4 pts
 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
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 se refere ao processo de coleta e organização de dados antes de alimentar um modelo de Machine Learning.

Pergunta 2
4 / 4 pts
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 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?
Nos ambientes de MLOps, a implementação de testes unitários é uma prática essencial para garantir a qualidade e a confiabilidade dos modelos
de Machine Learning. Testes unitários ajudam a identificar possíveis falhas e comportamentos inesperados nos componentes individuais de um
modelo, como pré-processamento de dados, algoritmos de aprendizado e pós-processamento.
27/07/2024, 16:05 PROVA ON-LINE: 11 - Cultura e Práticas DataOps e MLOps (2023)
https://pucminas.instructure.com/courses/174161/quizzes/428575 2/7
https://pucminas.instructure.com/courses/174161/quizzes/428575/history?version=1
 Automatizar completamente o processo de desenvolvimento de modelos de Machine Learning.
 Eliminar a necessidade de validação e verificação dos resultados gerados pelos modelos.
 Reduzir o tempo de treinamento dos modelos de Machine Learning.
Correto!
 Garantir a qualidade e confiabilidade dos modelos, identificando possíveis falhas nos componentes individuais.
Esta é a alternativa correta. O principal benefício de implementar testes unitários em ambientes de MLOps é garantir a qualidade e confiabilidade
dos modelos, identificando possíveis falhas nos componentes individuais, como pré-processamento de dados, algoritmos de aprendizado e pós-
processamento. Isso ajuda a evitar comportamentos inesperados e a manter a consistência dos resultados gerados pelos modelos.

Pergunta 3
4 / 4 pts
 FastAPI é um banco de dados NoSQL amplamente utilizado para armazenar grandes volumes de dados em ambientes de DataOps.
Correto!
 FastAPI é um framework de desenvolvimento de APIs para Python que permite a criação rápida e eficiente de APIs web baseadas em padrões modernos.
Esta é a alternativa correta. FastAPI é um framework de desenvolvimento de APIs para Python que permite a criação rápida e eficiente de APIs
web. Ele é conhecido por ser rápido, fácil de usar e por seguir padrões modernos de desenvolvimento de APIs.
 FastAPI é uma prática de otimização de APIs que visa tornar a comunicação entre equipes de desenvolvimento e operações mais eficiente.
 FastAPI é um protocolo de comunicação exclusivo para integração de modelos de Machine Learning em aplicações web.

Pergunta 4
4 / 4 pts
Ao criar testes unitários, os profissionais de MLOps podem ter maior confiança de que as alterações feitas nos modelos não introduzirão problemas
inesperados. Além disso, eles facilitam a detecção de erros e a manutenção do código ao longo do tempo.
Considerando a importância dos testes unitários em ambientes de MLOps, qual é o principal benefício de implementar esses testes?
O que é o FastAPI no contexto de APIs em DataOps e MLOps?
27/07/2024, 16:05 PROVA ON-LINE: 11 - Cultura e Práticas DataOps e MLOps (2023)
https://pucminas.instructure.com/courses/174161/quizzes/428575 3/7
 Ele oferece uma plataforma para armazenamento de dados em nuvem, facilitando o gerenciamento de grandes conjuntos de dados.
 O DockerHub facilita a execução de operações de Machine Learning sem a necessidade de contêineres.
 O principal benefício do DockerHub é a automação completa dos processos de CI/CD (Integração Contínua/Entrega Contínua).
Correto!
 
O DockerHub proporciona uma ampla variedade de imagens de contêineres prontas para uso, simplificando a implementação de soluções e a configuração de
ambientes.
Esta é a alternativa correta. Um dos principais benefícios do DockerHub é proporcionar uma ampla variedade de imagens de contêineres prontas
para uso. Isso facilita a implementação de soluções e a configuração de ambientes de desenvolvimento e produção.

Pergunta 5
4 / 4 pts
O DockerHub desempenha um papel fundamental no ecossistema Docker e é uma plataforma de registro de contêineres amplamente utilizada. Ele
permite que desenvolvedores e equipes de operações compartilhem, armazenem e gerenciem imagens de contêineres de forma eficiente.
O DockerHub oferece uma grande variedade de imagens de contêineres prontas para uso, o que facilita a implementação de soluções e a
configuração de ambientes de desenvolvimento e produção. Além disso, ele oferece funcionalidades de controle de versão, colaboração e
integração com outras ferramentas de desenvolvimento e CI/CD.
No contexto de DataOps e MLOps, qual é um dos principais benefícios de utilizar o DockerHub para gerenciar contêineres?
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.
27/07/2024, 16:05 PROVA ON-LINE: 11 - Cultura e Práticas DataOps e MLOps (2023)
https://pucminas.instructure.com/courses/174161/quizzes/428575 4/7
 Limitar o acesso ao modelo para um número restrito de usuários, garantindo a segurança das previsões geradas.
 Aumentar a precisão do modelo devido à exposição através da API.
 Reduzir a complexidadedo modelo, tornando-o mais fácil de ser interpretado por usuários finais
Correto!
 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 6
4 / 4 pts
 Assegurar que os dados utilizados nos modelos de Machine Learning estejam sempre atualizados e prontos para serem processados.
 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.
 Garantir que todos os membros da equipe estejam integrados socialmente, promovendo uma melhor colaboração.

Pergunta 7
4 / 4 pts
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?
Qual é o principal objetivo da integração contínua em MLOps?
27/07/2024, 16:05 PROVA ON-LINE: 11 - Cultura e Práticas DataOps e MLOps (2023)
https://pucminas.instructure.com/courses/174161/quizzes/428575 5/7
 O GitHub é um framework para a construção de pipelines de Machine Learning em ambientes de MLOps.
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 eficiente entre equipes de desenvolvimento e o gerenciamento de projetos de software.
 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 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 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
 Git é um banco de dados distribuído amplamente utilizado em ambientes de DataOps.
Correto!
No contexto de DataOps e MLOps, o GitHub desempenha um papel fundamental. O que é principalmente o GitHub?
Qual das alternativas a seguir descreve corretamente o arquivo Dockerfile?
 O Git é uma ferramenta principalmente utilizada para?
27/07/2024, 16:05 PROVA ON-LINE: 11 - Cultura e Práticas DataOps e MLOps (2023)
https://pucminas.instructure.com/courses/174161/quizzes/428575 6/7
 Git é um sistema de controle de versão que permite o gerenciamento de código fonte e o acompanhamento de alterações ao longo do tempo.
 Esta é a alternativa correta. O Git é um sistema de controle de versão amplamente utilizado na indústria de desenvolvimento de software. Ele
permite o gerenciamento de código fonte e o acompanhamento das alterações feitas ao longo do tempo. É essencial para colaboração eficiente
entre equipes de desenvolvimento e para a rastreabilidade de mudanças em projetos.
 Git é uma plataforma de visualização de dados para análise de conjuntos de dados em DataOps.
 Git é uma ferramenta de automação para a implantação contínua de modelos de Machine Learning.

Pergunta 10
4 / 4 pts
Correto!
 O versionamento de modelos de machine learning permite rastrear as alterações feitas em um modelo ao longo do tempo.
O versionamento de modelos de machine learning é importante para garantir a rastreabilidade e a reprodutibilidade de modelos. Ao rastrear as
alterações feitas em um modelo, é possível identificar o impacto de cada alteração no desempenho do modelo. Isso pode ser útil para melhorar o
desempenho do modelo ou reverter para uma versão anterior se necessário.
 O versionamento de modelos de machine learning permite compartilhar modelos com outros usuários.
 O versionamento de modelos de machine learning permite comparar diferentes versões de um modelo para identificar melhorias.
 O versionamento de modelos de machine learning permite reverter para uma versão anterior de um modelo se necessário.
Pontuação do teste: 40 de 40
Qual das alternativas a seguir descreve corretamente o objetivo do versionamento de modelos de machine learning?
27/07/2024, 16:05 PROVA ON-LINE: 11 - Cultura e Práticas DataOps e MLOps (2023)
https://pucminas.instructure.com/courses/174161/quizzes/428575 7/7