Questions d'entraînement — PMLE

Question 1

Vous concevez un pipeline ML de détection de fraude pour une banque. Le modèle doit être réentraîné automatiquement lorsque le data drift dépasse un seuil défini. Les données arrivent en continu via Pub/Sub, et le modèle en production doit être mis à jour sans interruption de service. Quelle architecture respecte ces contraintes ?

Answer

A. Dataflow pour le preprocessing streaming, Vertex AI Training avec Vertex AI Pipelines déclenché par Cloud Functions lors de la détection de drift via Vertex AI Model Monitoring, déploiement canary sur Vertex AI Endpoints

Answer

B. Dataproc Serverless pour le preprocessing, entraînement schedulé quotidien sur Vertex AI Training, déploiement blue-green manuel via gcloud

Answer

C. Cloud Composer pour orchestrer tout le pipeline, Dataflow pour le preprocessing, entraînement sur Compute Engine avec GPU, serving via TensorFlow Serving sur GKE

Answer

D. Pub/Sub déclenche directement Cloud Functions qui réentraîne le modèle, stockage dans Cloud Storage, serving via Cloud Run

Question 2

Votre entreprise développe un modèle de recommandation en temps réel qui doit servir des prédictions avec une latence inférieure à 100ms pour des millions d'utilisateurs simultanés. Le modèle est entraîné avec TensorFlow et nécessite un feature store pour combiner des features batch et streaming. Quelle architecture GCP est la plus adaptée ?

Answer

A. Entraîner sur Vertex AI Training, stocker les features dans BigQuery, servir avec Vertex AI Endpoints sur GPU avec autoscaling

Answer

B. Entraîner sur Vertex AI Training, utiliser Vertex AI Feature Store pour les features batch et streaming, servir avec Vertex AI Endpoints avec autoscaling et traffic splitting

Answer

C. Entraîner sur AI Platform Training (legacy), stocker les features dans Cloud SQL, servir avec App Engine Standard

Answer

D. Entraîner sur un cluster GKE avec TFJob, stocker les features dans Memorystore Redis, servir avec Cloud Run

Question 3

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 ?

Answer

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

Answer

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

Answer

C. Stocker toutes les features dans Redis pour le serving en temps réel et exporter un snapshot quotidien vers Cloud Storage pour l'entraînement

Answer

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 4

Votre organisation utilise Vertex AI Model Registry pour gérer les modèles ML. L'équipe de conformité exige que chaque modèle déployé en production soit accompagné de métadonnées traçables : qui l'a entraîné, quel dataset a été utilisé, quelles métriques d'évaluation ont été obtenues, et quel pipeline d'entraînement l'a produit. Comment satisfaire ces exigences de manière automatisée et auditable ?

Answer

A. Demander aux data scientists de remplir un formulaire Google Sheets pour chaque modèle avant le déploiement, puis stocker ces informations dans un bucket Cloud Storage dédié à la conformité.

Answer

B. Utiliser Vertex ML Metadata pour capturer automatiquement le lineage des artefacts (datasets, modèles, métriques) tout au long du pipeline Vertex AI Pipelines, puis associer les métadonnées au modèle enregistré dans le Model Registry via des labels et des annotations.

Answer

C. Configurer Cloud Audit Logs pour capturer toutes les opérations API liées à l'entraînement et au déploiement des modèles, puis utiliser BigQuery pour analyser les logs et reconstituer la traçabilité.

Answer

D. Implémenter un script Python personnalisé qui extrait les métadonnées de chaque run d'entraînement depuis Vertex AI Training et les stocke dans Firestore, avec un Cloud Function déclenché à chaque déploiement pour vérifier la complétude des métadonnées.

Question 5

Votre équipe a développé un modèle de prévision de la demande enregistré dans Vertex AI Model Registry. Le modèle doit être déployé dans trois régions Google Cloud différentes (us-central1, europe-west1, asia-east1) pour servir des clients globaux avec une latence minimale. Chaque région doit utiliser la même version du modèle, et les mises à jour doivent être déployées simultanément dans toutes les régions. Comment concevez-vous cette architecture de déploiement multi-régionale ?

Answer

A. Créer un Vertex AI Endpoint dans chaque région et déployer manuellement le même modèle depuis le Model Registry vers les trois endpoints. Utiliser Cloud DNS avec un routage géographique pour diriger les clients vers l'endpoint le plus proche.

Answer

B. Déployer le modèle sur un seul Vertex AI Endpoint dans us-central1 et utiliser Cloud CDN pour mettre en cache les réponses de prédiction dans les autres régions.

Answer

C. Créer un Vertex AI Pipeline qui automatise le déploiement du modèle vers des endpoints dans les trois régions en parallèle, utiliser Cloud DNS avec un routage par géolocalisation, et stocker les artefacts du modèle dans un bucket Cloud Storage multi-régional pour garantir la cohérence.

Answer

D. Utiliser Vertex AI Feature Store multi-régional pour servir le modèle depuis les trois régions, avec une synchronisation automatique des versions via Pub/Sub.

Examen PMLE — PMLE — Google Professional Machine Learning Engineer

À propos de l'examen PMLE

Comment se préparer à l'examen PMLE ?

5 exemples de questions — PMLE

Encore 55 questions dans l'examen complet

📖 Préparez-vous avec nos guides

Commencer l'examen PMLE complet