Questions d'entraînement — PMLE

Question 1

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 ?

Answer

A. Utiliser CREATE MODEL avec l'option model_type='LOGISTIC_REG' et configurer auto_class_weights=TRUE pour gérer le déséquilibre des classes

Answer

B. Exporter les données vers Cloud Storage au format CSV puis entraîner un modèle AutoML Tables dans Vertex AI

Answer

C. Utiliser CREATE MODEL avec l'option model_type='DNN_CLASSIFIER' sans aucun prétraitement car BigQuery ML gère automatiquement toutes les transformations

Answer

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 2

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 3

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 4

Une équipe data science travaille sur un projet de classification d'images médicales. Les données d'entraînement (500 000 images DICOM, 2 To) sont stockées dans Cloud Storage. L'équipe souhaite expérimenter rapidement avec différentes architectures de réseaux de neurones (ResNet, EfficientNet, Vision Transformer) tout en gardant une traçabilité complète des expérimentations. Quelle approche recommandez-vous ?

Answer

A. Utiliser Vertex AI Training avec des custom training jobs et configurer Vertex AI Experiments pour le tracking, en utilisant des machines avec des GPUs A100 et un data pipeline via tf.data

Answer

B. Créer des instances Compute Engine avec des GPUs attachés, installer manuellement TensorFlow et utiliser MLflow auto-hébergé sur une VM séparée pour le tracking

Answer

C. Utiliser AutoML Vision pour entraîner automatiquement les trois architectures et comparer les résultats dans la console Cloud

Answer

D. Configurer un cluster Dataproc avec des GPUs et utiliser Spark MLlib pour distribuer l'entraînement des trois architectures sur les workers

Question 5

Une entreprise pharmaceutique utilise Vertex AI pour entraîner un modèle de classification d'images médicales. Les données sont soumises à des réglementations strictes de confidentialité et ne doivent jamais transiter par l'internet public. L'entraînement doit se faire sur des GPU dédiés et les artefacts du modèle doivent être chiffrés avec une clé gérée par l'entreprise. Quelle combinaison de configurations Vertex AI satisfait ces exigences ?

Answer

A. Configurer VPC Service Controls autour du projet, utiliser un VPC Network Peering avec Vertex AI, activer Customer-Managed Encryption Keys (CMEK), et spécifier un Reservation pour les GPU.

Answer

B. Activer Private Google Access sur le sous-réseau, configurer le CustomJob avec le paramètre network pointant vers le VPC de l'entreprise, utiliser CMEK pour le chiffrement des artefacts, et sélectionner des machines de type a2-highgpu.

Answer

C. Déployer l'entraînement sur GKE avec Vertex AI Training intégré, configurer des nœuds private, utiliser Cloud HSM pour le chiffrement, et activer Binary Authorization.

Answer

D. Utiliser Vertex AI Workbench avec un notebook managé en mode private, exporter le modèle entraîné vers un bucket chiffré avec Cloud KMS, et configurer un firewall rule bloquant tout trafic sortant.

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