MLOps

Prévia do material em texto

1. O que é MLOps?
a) Uma metodologia de integração contínua focada apenas no armazenamento de
dados.
b) Uma prática que aplica os princípios de DevOps para melhorar o ciclo de vida de
modelos de aprendizado de máquina.
c) Um framework de machine learning que substitui as ferramentas de DevOps.
d) Um processo manual para treinar modelos de machine learning.
Resposta correta: b) Uma prática que aplica os princípios de DevOps para melhorar o
ciclo de vida de modelos de aprendizado de máquina.
Explicação: MLOps é a combinação de práticas de DevOps e aprendizado de máquina
para melhorar a colaboração, automação e eficiência no desenvolvimento e operação
de modelos de aprendizado de máquina.
2. Qual é o principal objetivo do MLOps?
a) Aumentar a quantidade de dados usados para treinar modelos.
b) Facilitar a colaboração entre equipes de dados e de operações, promovendo a
entrega contínua de modelos de machine learning.
c) Substituir as ferramentas de machine learning tradicionais.
d) Minimizar o uso de computação durante o treinamento de modelos.
Resposta correta: b) Facilitar a colaboração entre equipes de dados e de operações,
promovendo a entrega contínua de modelos de machine learning.
Explicação: O principal objetivo do MLOps é integrar as equipes de desenvolvimento de
modelos de machine learning com as de operações para permitir a entrega contínua de
modelos de forma eficiente e controlada.
3. Qual é a principal diferença entre MLOps e DevOps?
a) MLOps foca na gestão de código-fonte, enquanto DevOps foca na segurança.
b) MLOps envolve a criação e gestão de modelos de aprendizado de máquina, enquanto
DevOps foca em automação e integração contínua de software.
c) MLOps é apenas uma ferramenta, enquanto DevOps é uma metodologia.
d) Não há diferenças, ambos têm o mesmo objetivo.
Resposta correta: b) MLOps envolve a criação e gestão de modelos de aprendizado de
máquina, enquanto DevOps foca em automação e integração contínua de software.
Explicação: MLOps adapta as práticas de DevOps para o contexto de machine learning,
considerando
 as
 especificidades
 da
 criação,
 treinamento,
 implementação
 e
monitoramento de modelos de aprendizado de máquina.
4. Qual das seguintes etapas faz parte do ciclo de vida de MLOps?
a) Definição de requisitos de software.
b) Treinamento e re-treinamento de modelos de aprendizado de máquina.
c) Apenas o treinamento inicial de modelos.
d) Exclusão de dados antigos e irrelevantes.
Resposta correta: b) Treinamento e re-treinamento de modelos de aprendizado de
máquina.
Explicação: No ciclo de vida de MLOps, o treinamento e re-treinamento de modelos são
cruciais, pois os modelos de machine learning precisam ser constantemente avaliados
e atualizados conforme novas informações e dados estão disponíveis.
5. Qual é o benefício da automação no contexto de MLOps?
a) Reduzir a necessidade de monitoramento de modelos de aprendizado de máquina.
b) Acelerar o ciclo de desenvolvimento e implementação de modelos de machine
learning.
c) Eliminar a necessidade de ajustes em modelos de machine learning.
d) Garantir que todos os modelos sejam 100% precisos.
Resposta correta: b) Acelerar o ciclo de desenvolvimento e implementação de modelos
de machine learning.
Explicação: A automação no MLOps permite a implementação rápida e contínua de
modelos, reduzindo o tempo entre o desenvolvimento, treinamento, testes e a
produção, além de permitir ajustes rápidos e contínuos.
6. Qual é o papel do monitoramento contínuo em MLOps?
a) Monitorar apenas a performance de modelos em produção.
b) Monitorar a qualidade dos dados e a performance dos modelos em produção para
identificar problemas de desempenho e corrigir rapidamente.
c) Monitorar apenas a carga de trabalho dos servidores de dados.
d) Monitorar o uso de recursos computacionais.
Resposta correta: b) Monitorar a qualidade dos dados e a performance dos modelos em
produção para identificar problemas de desempenho e corrigir rapidamente.
Explicação: O monitoramento contínuo em MLOps garante que os modelos de machine
learning funcionem conforme esperado e ajuda a detectar problemas de desempenho
ou mudanças nos dados que possam afetar a precisão do modelo.
7. O que é "Model Drift" em MLOps?
a) A mudança no modelo devido a novos algoritmos.
b) A degradação da performance do modelo devido a mudanças nos dados ao longo do
tempo.
c) A remoção de modelos antigos do sistema de produção.
d) O ajuste do modelo para se adequar a novos requisitos de software.
Resposta correta: b) A degradação da performance do modelo devido a mudanças nos
dados ao longo do tempo.
Explicação: "Model Drift" ocorre quando as distribuições dos dados mudam ao longo do
tempo, fazendo com que os modelos se tornem menos precisos ou obsoletos, o que
exige re-treinamento.
8. O que é um "Pipeline de MLOps"?
a) Um conjunto de etapas automatizadas para treinamento e implementação de
modelos de machine learning.
b) Um processo de backup dos dados usados para treinar modelos.
c) Uma plataforma para análise de resultados de modelos.
d) Uma ferramenta de visualização de dados.
Resposta correta: a) Um conjunto de etapas automatizadas para treinamento e
implementação de modelos de machine learning.
Explicação: O pipeline de MLOps é uma sequência automatizada de processos que
inclui a ingestão de dados, treinamento de modelos, validação, implementação e
monitoramento, permitindo uma entrega contínua e eficiente de modelos.
9. Qual é a função do "CI/CD" em MLOps?
a) Melhorar a qualidade dos dados de treinamento.
b) Automatizar os processos de integração e entrega contínua de modelos, assim como
no software.
c) Fornecer ferramentas para modelagem de dados.
d) Validar a precisão dos modelos de machine learning.
Resposta correta: b) Automatizar os processos de integração e entrega contínua de
modelos, assim como no software.
Explicação: CI/CD (Integração Contínua e Entrega Contínua) em MLOps aplica os
mesmos princípios de automação que são usados no desenvolvimento de software para
garantir que os modelos de aprendizado de máquina sejam entregues e atualizados
automaticamente.
10. Qual das seguintes é uma ferramenta popular para MLOps?
a) GitLab.
b) Jupyter Notebooks.
c) TensorFlow Extended (TFX).
d) Power BI.
Resposta correta: c) TensorFlow Extended (TFX).
Explicação: O TensorFlow Extended (TFX) é uma plataforma popular que auxilia na
automação e operacionalização de pipelines de aprendizado de máquina, fornecendo
suporte para todas as etapas do ciclo de vida do modelo.