Questions d'entraînement — PMLE

Question 1

Vous concevez l'architecture Feature Store pour une plateforme ML partagée entre plusieurs équipes (équipe fraude, équipe marketing, équipe risque crédit). Chaque équipe doit pouvoir créer et gérer ses propres features tout en pouvant découvrir et réutiliser les features des autres équipes. Cependant, l'équipe risque crédit travaille avec des données PII (Personally Identifiable Information) qui ne doivent pas être accessibles aux autres équipes. Quelle architecture IAM et organisationnelle devez-vous mettre en place ?

Answer

A. Créer un seul Feature Store partagé et utiliser des rôles IAM granulaires au niveau des Feature Groups pour contrôler l'accès. Attribuer le rôle roles/aiplatform.featurestoreDataViewer aux équipes fraude et marketing sur les Feature Groups non-PII, et restreindre l'accès aux Feature Groups PII à l'équipe risque crédit uniquement avec des conditions IAM.

Answer

B. Créer trois Feature Stores complètement séparés, un par équipe, sans aucun partage de features entre les équipes pour maximiser la sécurité.

Answer

C. Créer un seul Feature Store et donner à toutes les équipes le rôle roles/aiplatform.admin pour simplifier la gestion, puis utiliser un processus d'approbation manuelle pour les données PII.

Answer

D. Stocker les features PII dans un bucket Cloud Storage chiffré séparé et ne pas les inclure dans le Feature Store. Utiliser le Feature Store uniquement pour les features non-PII.

Question 2

Votre équipe MLOps gère plus de 50 modèles en production sur Vertex AI. Vous devez centraliser le suivi des versions, des métriques d'évaluation et des artefacts associés à chaque modèle, tout en permettant aux data scientists de comparer facilement les performances entre versions avant de promouvoir un modèle en production. Quelle approche est la plus adaptée ?

Answer

A. Stocker les artefacts de modèle dans Cloud Storage avec une convention de nommage incluant la date et le numéro de version, puis utiliser BigQuery pour stocker les métriques d'évaluation dans une table dédiée.

Answer

B. Utiliser Vertex AI Model Registry pour enregistrer chaque version de modèle avec ses métriques d'évaluation, ses labels et ses alias (comme 'champion' ou 'challenger'), permettant un suivi centralisé et une promotion contrôlée.

Answer

C. Créer un dépôt Git dédié contenant les fichiers de configuration de chaque modèle et utiliser des tags Git pour marquer les versions déployées en production.

Answer

D. Utiliser Vertex AI Experiments pour enregistrer chaque modèle en tant qu'expérience distincte et comparer les résultats via le tableau de bord Experiments.

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 équipe a développé un pipeline d'entraînement ML sur Vertex AI Pipelines (Kubeflow Pipelines SDK). Le pipeline comprend les étapes : ingestion des données depuis BigQuery, preprocessing, entraînement d'un modèle XGBoost, évaluation, et conditionnellement le déploiement sur un endpoint si la métrique AUC dépasse 0.92. Vous constatez que l'étape de preprocessing échoue occasionnellement en raison de timeouts BigQuery. Comment améliorer la fiabilité du pipeline tout en suivant les bonnes pratiques Vertex AI ?

Answer

A. Ajouter un bloc try/except dans le code du composant de preprocessing pour capturer les erreurs BigQuery et retourner un dataset vide en cas d'échec.

Answer

B. Configurer le composant de preprocessing avec un retry policy (max_retry_count et backoff_duration) dans la définition du pipeline, et activer le caching des composants pour les étapes réussies.

Answer

C. Diviser l'étape de preprocessing en micro-composants plus petits et ajouter des checkpoints manuels dans Cloud Storage entre chaque micro-étape.

Answer

D. Remplacer Vertex AI Pipelines par un Cloud Composer (Airflow) DAG qui gère nativement les retries et orchestrer les étapes Vertex AI comme des opérateurs externes.

Question 5

Vous travaillez pour une entreprise de services financiers et devez déployer un modèle de détection de fraude entraîné avec BigQuery ML en production. Le modèle doit être intégré dans un pipeline temps réel qui reçoit des transactions via Pub/Sub et doit retourner une prédiction en moins de 200 millisecondes. Quelle architecture recommandez-vous ?

Answer

A. Utiliser ML.PREDICT directement dans une requête BigQuery streaming insert déclenchée par un Cloud Function abonné au topic Pub/Sub.

Answer

B. Exporter le modèle BigQuery ML vers Vertex AI Model Registry à l'aide de la commande bq extract, puis déployer le modèle sur un Vertex AI Endpoint pour obtenir des prédictions en ligne à faible latence.

Answer

C. Créer une Cloud Function qui exécute une requête ML.PREDICT sur BigQuery à chaque message Pub/Sub reçu et retourne le résultat de manière synchrone.

Answer

D. Copier les poids du modèle dans une table BigQuery et implémenter manuellement la logique de scoring dans une UDF JavaScript.

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