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 travaillez dans une entreprise de e-commerce qui utilise Vertex AI Model Registry. Votre pipeline CI/CD enregistre automatiquement chaque modèle entraîné dans le registry avec des labels et des métadonnées. Le responsable conformité exige que chaque modèle déployé en production soit traçable : on doit pouvoir retrouver le dataset d'entraînement, les hyperparamètres, les métriques d'évaluation et le pipeline qui l'a produit. Quelle combinaison de services Google Cloud répond le mieux à cette exigence ?
  1. A. Vertex AI Model Registry avec des labels personnalisés stockant toutes les métadonnées directement dans la ressource Model.
  2. B. Vertex AI Model Registry intégré à Vertex ML Metadata pour capturer automatiquement le lineage des artifacts, des exécutions et des contextes du pipeline.
  3. C. Stocker les métadonnées dans un document BigQuery et référencer l'ID du document dans la description du modèle dans le Model Registry.
  4. D. Utiliser Cloud Logging pour capturer tous les événements du pipeline d'entraînement et associer les logs au modèle via un label de corrélation.
Question 2
Une entreprise de e-commerce souhaite déployer un nouveau modèle de recommandation sur Vertex AI tout en minimisant les risques. L'équipe veut diriger progressivement le trafic du modèle actuel (v1) vers le nouveau modèle (v2), en commençant par 10% du trafic, puis en augmentant graduellement si les métriques de latence et de précision restent satisfaisantes. Quelle stratégie de déploiement devez-vous mettre en place ?
  1. A. Créer deux Vertex AI Endpoints séparés (un pour v1 et un pour v2) et utiliser Cloud Load Balancing pour répartir le trafic entre eux selon les pourcentages souhaités.
  2. B. Déployer les deux versions du modèle sur le même Vertex AI Endpoint en configurant un traffic split de 90/10, puis ajuster progressivement la répartition du trafic via la commande gcloud ai endpoints deploy-model avec le paramètre --traffic-split.
  3. C. Utiliser Cloud Run pour déployer les deux versions du modèle et configurer le traffic splitting natif de Cloud Run avec des révisions.
  4. D. Déployer v2 sur un endpoint séparé, utiliser Vertex AI Pipelines pour exécuter un A/B test automatisé pendant 24 heures, puis basculer tout le trafic sur v2 si les résultats sont satisfaisants.
Question 3
Une entreprise de e-commerce souhaite construire un pipeline de feature engineering qui transforme des données transactionnelles brutes en features ML réutilisables par plusieurs équipes. Les features doivent être calculées de manière identique pour l'entraînement (batch sur données historiques) et le serving (temps réel). Comment éviter le training-serving skew tout en maximisant la réutilisabilité ?
  1. A. Écrire les transformations en SQL dans BigQuery pour le batch et les réécrire en Python pour le serving temps réel, en documentant la logique pour assurer la cohérence
  2. B. Utiliser Vertex AI Feature Store avec des feature views qui définissent les transformations de manière déclarative, permettant de servir les mêmes features en batch et en ligne avec une logique unifiée
  3. C. Pré-calculer toutes les features en batch dans BigQuery et les charger dans Memorystore Redis pour le serving en ligne, en recalculant quotidiennement
  4. D. Utiliser Apache Beam sur Dataflow avec un pipeline unifié qui fonctionne en mode batch et streaming, en stockant les résultats dans Cloud Bigtable
Question 4
Un ingénieur ML doit créer un modèle de prévision de la demande avec BigQuery ML en utilisant ARIMA_PLUS. Le dataset contient 3 ans de ventes quotidiennes pour 500 produits différents. L'ingénieur souhaite entraîner un modèle distinct pour chaque produit en une seule requête CREATE MODEL. Comment doit-il structurer sa requête BigQuery ML ?
  1. A. Créer une boucle en utilisant une procédure stockée BigQuery (LOOP ... END LOOP) qui itère sur chaque product_id et exécute un CREATE MODEL distinct pour chacun
  2. B. Utiliser l'option time_series_id_col='product_id' dans les OPTIONS de CREATE MODEL pour que BigQuery ML entraîne automatiquement un modèle ARIMA_PLUS séparé pour chaque produit
  3. C. Créer une vue UNION ALL combinant tous les produits avec un identifiant de série, puis utiliser CREATE MODEL avec model_type='ARIMA_PLUS' sans paramètre de regroupement
  4. D. Exporter chaque série temporelle de produit dans des tables séparées, puis utiliser un DAG Composer pour orchestrer 500 requêtes CREATE MODEL en parallèle
Question 5
Votre équipe MLOps utilise Vertex AI Model Registry pour gérer plusieurs versions d'un modèle de détection de fraude. Une nouvelle version du modèle a été entraînée et vous devez la déployer progressivement en production tout en conservant la possibilité de revenir instantanément à la version précédente en cas de dégradation des métriques. Quelle approche est la plus adaptée ?
  1. A. Déployer la nouvelle version sur un nouvel Endpoint Vertex AI, puis mettre à jour manuellement le DNS pour rediriger le trafic.
  2. B. Utiliser le traffic splitting sur un Endpoint Vertex AI existant en configurant un déploiement canary avec un pourcentage initial faible pour la nouvelle version du modèle.
  3. C. Supprimer le DeployedModel de l'ancienne version sur l'Endpoint, puis déployer la nouvelle version à 100% du trafic.
  4. D. Exporter le modèle en tant que container Docker personnalisé et le déployer sur Google Kubernetes Engine avec un Istio VirtualService pour le traffic splitting.
Question 6
Vous migrez un système de features legacy vers Vertex AI Feature Store. Votre système actuel contient plus de 5000 features organisées en 200 groupes logiques. Les features sont utilisées par 30 modèles en production. Vous devez planifier la migration en minimisant les interruptions de service et en assurant la compatibilité rétroactive. Quelle stratégie de migration est la plus appropriée ?
  1. A. Effectuer une migration big-bang en un week-end : arrêter tous les modèles, migrer toutes les features vers le Feature Store, reconfigurer tous les modèles, puis redémarrer le système.
  2. B. Adopter une migration progressive par Feature Group : migrer un groupe à la fois vers le Feature Store, exécuter les anciens et nouveaux systèmes en parallèle avec un mécanisme de shadow serving pour valider la cohérence, puis basculer les modèles consommateurs progressivement.
  3. C. Recréer tous les modèles from scratch en utilisant le Feature Store comme source unique, puis décommissionner l'ancien système une fois tous les nouveaux modèles déployés.
  4. D. Utiliser uniquement le Feature Store pour les nouveaux modèles et conserver l'ancien système pour les 30 modèles existants indéfiniment.
Question 7
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 8
Vous gérez une plateforme ML multi-équipes dans une grande entreprise. Chaque équipe développe ses propres modèles et les déploie sur Vertex AI. Vous devez mettre en place une politique de gouvernance qui empêche le déploiement de tout modèle n'ayant pas passé un ensemble de validations automatisées (tests de performance, tests de biais, scan de vulnérabilités du conteneur). Quelle architecture implémentez-vous ?
  1. A. Créer un Vertex AI Pipeline de déploiement centralisé qui inclut des étapes de validation (performance, biais, scan de conteneur) comme conditions préalables au déploiement. Utiliser des service accounts dédiés pour que seul le pipeline ait l'autorisation IAM de déployer des modèles sur les endpoints de production.
  2. B. Configurer des Organization Policy Constraints personnalisées pour empêcher l'appel direct à l'API Vertex AI Endpoints deploy-model, et créer un formulaire d'approbation dans Jira que les équipes doivent remplir avant chaque déploiement.
  3. C. Utiliser Cloud Build triggers pour déclencher automatiquement un pipeline CI/CD à chaque push d'un nouveau modèle dans Cloud Storage, et configurer des notifications Pub/Sub pour alerter l'équipe MLOps en cas d'échec des validations.
  4. D. Implémenter un webhook Cloud Functions qui intercepte toutes les requêtes de déploiement via VPC Service Controls, exécute les validations en temps réel, et autorise ou bloque le déploiement en fonction des résultats.

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 ?