Accueil › Certifications › 1Z0-1110 › Questions gratuites

Questions gratuites 1Z0-1110 — Oracle Cloud Infrastructure AI Foundations Associate

Téléchargez gratuitement 40 questions d'entraînement pour la certification 1Z0-1110 proposée par Oracle. Toutes les questions sont accompagnées de corrections détaillées avec explications techniques.

Caractéristiques de l'examen blanc

Code de certification1Z0-1110
ÉditeurOracle
Nombre de questions40
TypeQCM avec 4 réponses possibles
Niveaufoundation
CatégorieIT
Prix100% gratuit

Aperçu de 8 questions représentatives

Voici un échantillon aléatoire de 8 questions tirées de notre base d'entraînement 1Z0-1110. Pour accéder aux 40 questions complètes, lancez l'examen blanc gratuitement.

Question 1
Quel mécanisme architectural OCI AI assure la conformité des prédictions modèle aux exigences explicabilité réglementaires RGPD/IA Act?
  1. Model interpretability: SHAP/LIME explainer, feature attribution, audit trails complets timestampées
  2. Chiffrement end-to-end des données masquant les inputs prédictions pour anonymisation automatique
  3. Approbation manuelle humaine avant chaque prédiction garantissant 100% révision explicable
  4. Limitation à modèles linéaires simples uniquement éliminant les black-box complexes complètement
Question 2
Pour un modèle OCI Vision entraîné sur 100K images, quel phénomène de ML réduit la performance en déploiement malgré une validation accuracy 95%?
  1. Distribution shift entre train/validation et données de production réelles différentes
  2. Insuffisance de GPU memory disponible en production réduisant batch_size d'inférence à 1 image
  3. Dégradation physique des capteurs optiques après 500 heures d'utilisation affectant signal image
  4. Augmentation de la latence réseau comprimant les images JPEG entrantes de 50% qualité visuellement
Question 3
Pour un pipeline OCI Document Understanding traitant contrats légaux, quelle métrique évaluation prioritaire dépasse accuracy simple?
  1. F1-score: équilibre précision/rappel, pénalise faux positifs (manquer clauses), faux négatifs (hallucinations)
  2. Accuracy: pourcentage totale prédictions correctes mesurant performance globale équitable uniformément
  3. ROC-AUC: résilience au threshold optimisation sans considération pour coûts asymétriques classification
  4. Kappa Cohen: accord observé vs hasard corrigeant purely accuracy sans coûts métier contextualisés
Question 4
Pour minimiser le risque de bias dans un modèle OCI Vision entraîné sur dataset avec représentation inégale de groupes démographiques, quel approche est recommandée?
  1. Stratified sampling, weighted loss par groupe, fairness metrics monitoring, data augmentation équilibrée
  2. Suppression complète des données groupes surreprésentés réduisant dataset à sous-ensemble équilibré
  3. Augmentation artificielle des données groupes minoritaires via duplication aléatoire simple répétée
  4. Neutralisation features suspects corrélés groupes par mean subtraction avant entraînement automatique
Question 5
Comment un modèle OCI Anomaly Detection distingue une véritable anomalie d'une simple variation saisonnière légitime?
  1. Decomposition STL sépare trend/seasonal/residual, analyse residuals pour détection avec bootstrapping confiance
  2. Seuil fixe amplitude: déviations > 3 sigma automatiquement flaggées comme anomalies sans distinction
  3. Modèle statistique simple ARIMA incapable distinguer saisonnier réel d'anomalies de concepts
  4. Labeling humain interactif d'anomalies historiques entraînant supervisé classifier sans unsupervised
Question 6
Une ETL pipeline OCI ML observe une accuracy soudainement stagnante à 85%. Les logs montrent loss convergence. Quel diagnostic technique recommandez-vous prioritairement?
  1. Data poisoning: vérifier drift qualité dataset, corruption labels, contamination train/test splits
  2. Sous-paramétrage du modèle: augmenter couches cachées de 2 à 8 pour capacité non-linéaire accrue
  3. Insuffisance d'epochs: continuer entraînement 100 epochs additionnels forçant convergence supplémentaire
  4. Incompatibilité GPU: réduire batch_size 512→32 accommodant les limitations mémoire sous-jacentes
Question 7
Quel trade-off architectural existe entre OCI AI Simplified Services vs Custom ML Models pour POC financeièrement contraint?
  1. Simplifié rapide time-to-value faible code, customs flexible haute accuracy coûts ML expertise infrastructure
  2. Simplifié garantit accuracy 99% vs custom nécessitant 12 mois tuning atteindre 85% performance
  3. Custom obligatoire production, simplifié dédié POC uniquement jamais déploiement réel viable scaling
  4. Aucun différence : simplifié encapsule customs sous abstractions, choix impacte seulement coûts superficiels
Question 8
Un pipeline OCI Forecasting perd 40% accuracy prédisant 12 mois vs 3 mois. Quel facteur explique cette dégradation horizon étendu?
  1. Accumulation erreur cumulative: incertitude compound exponentiellement horizon augmente, confiance réduites
  2. Insuffisance paramètres modèle: ajouter LSTM couches captant dépendances long-terme nécessaires
  3. Limitation dataset taille 2000 points insuffisant pour horizon 12m sans données historiques étendues
  4. Aliasing fréquences temporelles: résolutions basses < 3 mois invisible patterns périodes énergétiques hautes

Accédez aux 40 questions complètes gratuitement

Aucune carte bancaire requise. Examen chronométré, corrections détaillées, score final.

Lancer l'examen blanc 1Z0-1110 →

Pourquoi s'entraîner avec Certifexpress ?