Accueil › Certifications › PMLE › Questions gratuites

Questions gratuites PMLE — Google Professional Machine Learning Engineer

Téléchargez gratuitement 60 questions d'entraînement pour la certification PMLE proposée par Google. Toutes les questions sont accompagnées de corrections détaillées avec explications techniques.

Caractéristiques de l'examen blanc

Code de certificationPMLE
ÉditeurGoogle
Nombre de questions60
TypeQCM avec 4 réponses possibles
Niveauprofessional
CatégorieAI
Prix100% gratuit

Aperçu de 8 questions représentatives

Voici un échantillon aléatoire de 8 questions tirées de notre base d'entraînement PMLE. Pour accéder aux 60 questions complètes, lancez l'examen blanc gratuitement.

Question 1
Vous êtes ML Engineer dans une institution financière. Vous avez entraîné un modèle de détection de fraude avec TensorFlow et vous devez le déployer sur Vertex AI pour du serving en temps réel avec des exigences strictes de latence (p99 < 50ms). Le modèle reçoit en moyenne 500 requêtes par seconde avec des pics à 2000 req/s. Quelle configuration de déploiement est la plus appropriée ?
  1. A. Déployer le modèle sur un Vertex AI Endpoint avec un machine type n1-standard-4, activer l'autoscaling avec un minimum de 2 nœuds et un maximum de 10 nœuds, et configurer le target CPU utilization à 60%.
  2. B. Déployer le modèle sur un Vertex AI Endpoint avec des accélérateurs GPU (NVIDIA T4), activer l'autoscaling avec min-replica-count=1 et max-replica-count=5, et utiliser un conteneur de serving pré-construit TensorFlow.
  3. C. Déployer le modèle sur un Vertex AI Endpoint en utilisant un conteneur de serving pré-construit TensorFlow Optimized Runtime, configurer l'autoscaling avec min-replica-count=2 et max-replica-count=10, activer le request batching et choisir un machine type optimisé pour le compute.
  4. D. Exporter le modèle en format TensorFlow Lite, le déployer sur Cloud Functions avec un trigger HTTP, et configurer Cloud Functions pour scaler automatiquement jusqu'à 1000 instances concurrentes.
Question 2
Votre équipe data science souhaite entraîner un modèle de classification binaire directement dans BigQuery sur un dataset de 500 millions de lignes stocké dans un data warehouse. Les données contiennent des features numériques et catégorielles. L'objectif est de prédire le churn client avec un bon équilibre entre précision et rappel. Quelle approche BigQuery ML est la plus adaptée pour ce scénario ?
  1. A. Utiliser CREATE MODEL avec l'option model_type='LOGISTIC_REG' et configurer auto_class_weights=TRUE pour gérer le déséquilibre des classes
  2. B. Exporter les données vers Cloud Storage au format CSV puis entraîner un modèle AutoML Tables dans Vertex AI
  3. C. Utiliser CREATE MODEL avec l'option model_type='DNN_CLASSIFIER' sans aucun prétraitement car BigQuery ML gère automatiquement toutes les transformations
  4. D. Utiliser CREATE MODEL avec l'option model_type='BOOSTED_TREE_CLASSIFIER' et définir enable_global_explain=TRUE, puis évaluer avec ML.EVALUATE sans ajuster les hyperparamètres
Question 3
Votre équipe ML a entraîné un modèle BigQuery ML de type BOOSTED_TREE_CLASSIFIER pour prédire l'attrition des employés. Le modèle affiche un AUC de 0.92 sur les données d'entraînement mais seulement 0.71 sur les données de test évaluées avec ML.EVALUATE. L'équipe souhaite améliorer la généralisation du modèle. Quelles modifications apporter à la configuration du modèle dans BigQuery ML ?
  1. A. Augmenter max_tree_depth et num_parallel_tree pour permettre au modèle de capturer des patterns plus complexes dans les données.
  2. B. Réduire max_tree_depth, augmenter min_split_loss (paramètre de régularisation gamma), et activer early_stopping en configurant min_rel_progress avec une valeur appropriée.
  3. C. Supprimer les features les moins corrélées avec la variable cible en utilisant ML.FEATURE_INFO, puis réentraîner le modèle avec les mêmes hyperparamètres.
  4. D. Passer à model_type='DNN_CLASSIFIER' car les réseaux de neurones profonds généralisent toujours mieux que les modèles à base d'arbres sur les données tabulaires.
Question 4
Vous concevez l'architecture Feature Store pour une plateforme e-commerce qui sert 50 000 requêtes de prédiction par seconde. Les features incluent des agrégats en temps réel (nombre de pages vues dans les 5 dernières minutes) et des features batch (segment client calculé quotidiennement). Comment architecturer la solution sur Google Cloud pour répondre aux exigences de latence (< 20ms) et de fraîcheur ?
  1. A. Utiliser exclusivement Vertex AI Feature Store avec online serving pour toutes les features, en ingérant les features temps réel via streaming et les features batch via import quotidien
  2. B. Utiliser Vertex AI Feature Store pour les features batch avec online serving, et Memorystore (Redis) pour les features temps réel calculées par Dataflow, en combinant les deux au moment de la prédiction
  3. C. Stocker toutes les features dans Bigtable avec un schéma de row key optimisé, en bypassant complètement le Feature Store
  4. D. Utiliser BigQuery BI Engine pour servir toutes les features en temps réel grâce à sa couche de cache en mémoire
Question 5
Votre entreprise utilise un modèle de NLP pour la classification de tickets support, déployé sur un Vertex AI Endpoint. Après trois mois en production, les performances du modèle se dégradent significativement en raison d'un data drift (les clients utilisent un nouveau vocabulaire lié à un produit récemment lancé). Vous devez mettre en place une stratégie de réentraînement et de redéploiement automatisée. Quelle architecture est la plus robuste ?
  1. A. Configurer Vertex AI Model Monitoring sur l'Endpoint pour détecter le drift, puis utiliser une alerte Cloud Monitoring qui déclenche via Pub/Sub un Vertex AI Pipeline de réentraînement, évaluation et redéploiement conditionnel.
  2. B. Planifier un réentraînement hebdomadaire fixe via Cloud Scheduler déclenchant un Vertex AI Pipeline, indépendamment de toute détection de drift.
  3. C. Utiliser Vertex AI Model Monitoring pour détecter le drift et envoyer une notification par e-mail à l'équipe ML pour qu'elle lance manuellement le réentraînement.
  4. D. Déployer un job Dataflow en streaming qui compare les distributions d'entrée en temps réel et redéploie automatiquement le dernier modèle du Model Registry lorsque le drift dépasse un seuil.
Question 6
Vous concevez un pipeline ML de bout en bout pour un système de recommandation e-commerce. Les features proviennent de trois sources : les logs de navigation en temps réel (Pub/Sub), le catalogue produits (Cloud SQL) et l'historique d'achats (BigQuery). Le modèle doit être réentraîné quotidiennement et les features doivent être cohérentes entre l'entraînement et le serving. Quelle architecture minimise le training-serving skew ?
  1. A. Utiliser des pipelines ETL séparés pour l'entraînement (batch depuis BigQuery) et le serving (streaming depuis Pub/Sub), avec une validation manuelle périodique de la cohérence des features
  2. B. Implémenter Vertex AI Feature Store comme source centralisée de features, alimenté par un pipeline Dataflow pour les features en temps réel et des batch ingestions pour les données historiques, et utiliser le même Feature Store pour le training et le serving
  3. C. Stocker toutes les features dans Redis pour le serving en temps réel et exporter un snapshot quotidien vers Cloud Storage pour l'entraînement
  4. D. Utiliser BigQuery comme unique feature store en créant des vues matérialisées pour le serving et des tables pour l'entraînement, avec des Cloud Functions pour synchroniser les données en temps réel
Question 7
Votre organisation entraîne régulièrement des modèles de NLP sur Vertex AI. Le responsable sécurité exige que toutes les données d'entraînement et les artefacts du modèle restent chiffrés avec des clés gérées par l'entreprise (pas les clés par défaut de Google). De plus, les jobs d'entraînement ne doivent pas avoir accès à Internet. Comment configurez-vous l'environnement d'entraînement ?
  1. A. Activer Customer-Managed Encryption Keys (CMEK) sur le bucket Cloud Storage et configurer le training job avec un VPC peering standard.
  2. B. Configurer le CustomJob avec une encryption_spec pointant vers une clé Cloud KMS, et utiliser un VPC Service Controls perimeter avec un peered VPC network sans accès Internet.
  3. C. Utiliser les clés de chiffrement par défaut de Google avec une couche de chiffrement applicative supplémentaire, et déployer le training job dans un subnet privé.
  4. D. Créer un Private Service Connect endpoint pour Vertex AI et appliquer le CMEK uniquement sur les artefacts du modèle dans Artifact Registry.
Question 8
Une équipe data science de 15 personnes travaille sur plusieurs modèles ML en production. Ils constatent des problèmes de reproductibilité des expériences, un manque de traçabilité des artefacts de modèles, et des difficultés à comparer les performances entre différentes versions. Quel ensemble de services GCP permet de résoudre ces problèmes de manière intégrée ?
  1. A. Cloud Source Repositories pour le versioning du code, BigQuery pour stocker les métriques, Cloud Storage pour les artefacts
  2. B. Vertex AI Experiments pour le tracking des expériences, Vertex AI Model Registry pour le versioning des modèles, Vertex AI Metadata pour la traçabilité des artefacts et du lineage
  3. C. MLflow déployé sur GKE pour le tracking, Container Registry pour les modèles, Cloud Logging pour les métriques
  4. D. Vertex AI Pipelines uniquement, car il gère automatiquement le tracking, le versioning et la traçabilité

Accédez aux 60 questions complètes gratuitement

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

Lancer l'examen blanc PMLE →

Pourquoi s'entraîner avec Certifexpress ?