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
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 2
Pour un modèle OCI Vision en production, comment implémenter continuous learning without catastrophic forgetting?
  1. Rehearsal buffer: retenir samples anciennes classes, replay lors retraining, equilibrer new vs old data
  2. Fine-tune simplement nouvelles données en remplaçant complètement poids ancien modèle initialization
  3. Elastic weight consolidation impossible OCI, simplement accepter forgetting inévitable modèle évolution
  4. Conserver modèles versionnés multiples anciens invoking routing décisions prédiction par vote ensemble
Question 3
Comment OCI Language se différencie techniquement pour supporter l'analyse multi-langue simultanée contrairement aux modèles monolingues traditionnels?
  1. Embeddings multilingues XLMR avec fine-tuning cross-langue et représentation vectorielle partagée
  2. Entraînement séparé de 10 modèles monlingues avec averaging des résultats pour chaque texte
  3. Traduction en temps-réel vers l'anglais avant analyse suivi d'une rétro-traduction des résultats
  4. Détection de langue automatique puis sélection du modèle monolingue correspondant sans partage
Question 4
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 5
Comment OCI Forecasting maintient performance à travers calendrier complexe (weekends, jours fériés, special events)?
  1. Exogenous variables: encoder calendrier external events, weekend indicators, patterns spécifiques jours
  2. SARIMA seasonal automatique: captures patterns périodes standard sans intervention features manuelles
  3. Filtrage données: supprimer jours anormaux weekends/fériés dataset purity, entrainer patterns réguliers
  4. Fine-tuning post-hoc: appliquer ajustements manuels prédictions spécifiques dates calendaire connues
Question 6
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 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
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

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 ?