Laut dem offiziellen Prüfungshandbuch1 besteht eine der in der Prüfung bewerteten Fähigkeiten darin, "ML-Modelle zu entwerfen, zu erstellen und zu produzieren, um geschäftliche Herausforderungen mit Google Cloud-Technologien zu lösen". Cloud Data Loss Prevention (DLP) API2 ist ein Dienst, der programmatischen Zugriff auf eine leistungsstarke Erkennungsmaschine für personenbezogene Informationen und andere datenschutzrelevante Daten in unstrukturierten Datenströmen, wie z. B. Textblöcke und Bilder, bietet. Cloud DLP API hilft Ihnen bei der Erkennung, Klassifizierung und dem Schutz Ihrer sensiblen Daten, indem Techniken wie De-Identifizierung, Maskierung, Tokenisierung und Bucketing eingesetzt werden. Sie können Cloud DLP API verwenden, um die PII-Daten zu de-identifizieren, bevor Sie eine Datenexploration und -vorverarbeitung durchführen, und den Datennutzen für ML-Zwecke beibehalten. Daher ist Option A die beste Möglichkeit, die Datenexploration und -vorverarbeitung durchzuführen und gleichzeitig die Sicherheit und den Schutz sensibler Felder zu gewährleisten. Die anderen Optionen sind für dieses Szenario nicht relevant oder optimal.
Referenzen:
* Leitfaden für die Prüfung zum professionellen ML-Ingenieur
* Cloud Data Loss Prevention (DLP) API
* Google Professional Machine Learning Zertifizierungsprüfung 2023
* Neueste Google Professional Machine Learning Engineer Actual Free Exam Questions

Die Kurve in der Frage zeigt, dass die Trainingszeit länger dauert als erwartet. Dies ist wahrscheinlich darauf zurückzuführen, dass die Eingabefunktion nicht optimiert ist. Um die Trainingszeit auf kosteneffiziente Weise zu verkürzen, ist es am besten, die Eingabefunktion unter Verwendung von parallelen Lesevorgängen, paralleler Verarbeitung und Prefetch neu zu schreiben. Dadurch kann das Modell die Daten effizienter verarbeiten und die Trainingszeit verkürzen. Referenzen:
* [Cloud TPU Performance Guide]
* [Leitfaden zur Leistung der Dateneingabe-Pipeline]

Die beste Option für die Implementierung einer Batch-Inferenz-ML-Pipeline in Google Cloud unter Verwendung eines Modells, das mit TensorFlow entwickelt wurde und im SavedModel-Format in Cloud Storage gespeichert ist, und eines historischen Datensatzes mit 10 TB Daten, der in einer BigQuery-Tabelle gespeichert ist, ist die Konfiguration eines Vertex AI-Batch-Prädiktionsauftrags, um das Modell auf die historischen Daten in BigQuery anzuwenden. Mit dieser Option können Sie die Leistung und Einfachheit von Vertex AI und BigQuery nutzen, um mit minimalem Code und minimaler Konfiguration umfangreiche Batch-Inferenzen durchzuführen. Vertex AI ist eine einheitliche Plattform für die Erstellung und Bereitstellung von Lösungen für maschinelles Lernen in der Google Cloud. Vertex AI kann einen Batch-Vorhersageauftrag ausführen, der Vorhersagen für eine große Anzahl von Instanzen in Batches generieren kann. Vertex AI bietet außerdem verschiedene Tools und Services für Datenanalyse, Modellentwicklung, Modellbereitstellung, Modellüberwachung und Modellverwaltung. Ein Batch-Vorhersageauftrag ist eine Ressource, die Ihren Modellcode auf Vertex AI ausführen kann. Mit einem Batch-Vorhersageauftrag können Sie Vorhersagen für eine große Anzahl von Instanzen in Stapeln erstellen und die Vorhersageergebnisse an einem Ziel Ihrer Wahl speichern. Ein Batch-Vorhersageauftrag kann verschiedene Eingabeformate akzeptieren, z. B. JSON, CSV oder TFRecord. Ein Batch-Vorhersageauftrag kann auch verschiedene Eingabequellen akzeptieren, wie z.B. Cloud Storage oder BigQuery. Ein TensorFlow-Modell ist eine Ressource, die ein maschinelles Lernmodell darstellt, das mit TensorFlow erstellt wurde. TensorFlow ist ein Framework, das groß angelegte Datenverarbeitung und maschinelles Lernen durchführen kann. TensorFlow kann Ihnen helfen, verschiedene Arten von Modellen zu erstellen und zu trainieren, wie z.B. lineare Regression, logistische Regression, k-means Clustering, Matrixfaktorisierung und tiefe neuronale Netze. Ein SavedModel-Format ist eine Art von Format, das ein TensorFlow-Modell und seine zugehörigen Assets speichern kann. Ein SavedModel-Format kann Ihnen helfen, Ihr TensorFlow-Modell zu speichern und zu laden und es für Vorhersagen zu verwenden. Ein SavedModel-Format kann in Cloud Storage gespeichert werden, einem Dienst, der große Daten in der Google Cloud speichern und darauf zugreifen kann. Ein historischer Datensatz ist eine Sammlung von Daten, die historische Informationen über einen bestimmten Bereich enthält. Ein historischer Datensatz kann Ihnen helfen, die vergangenen Trends und Muster der Daten zu analysieren und Vorhersagen für die Zukunft zu treffen. Ein historischer Datensatz kann in BigQuery gespeichert werden. BigQuery ist ein Dienst, der große Datenmengen in der Google Cloud speichern und abfragen kann. Mit BigQuery können Sie Ihre Daten mithilfe von SQL-Abfragen analysieren und verschiedene Aufgaben durchführen, z. B. Datenexploration, Datentransformation oder Datenvisualisierung.
Durch die Konfiguration eines Vertex AI-Batch-Vorhersageauftrags zur Anwendung des Modells auf die historischen Daten in BigQuery können Sie eine Batch-Inferenz-ML-Pipeline in Google Cloud mit minimalem Code und minimaler Konfiguration implementieren. Sie können die Vertex AI-API oder das gcloud-Befehlszeilentool verwenden, um einen Batch-Vorhersageauftrag zu konfigurieren, und den Modellnamen, die Modellversion, die Eingabequelle, das Eingabeformat, das Ausgabeziel und das Ausgabeformat angeben.
Vertex AI führt den Batch-Vorhersageauftrag automatisch aus und wendet das Modell auf die historischen Daten in BigQuery an. Vertex AI speichert auch die Vorhersageergebnisse an einem Ziel Ihrer Wahl, z. B. in einem Cloud-Speicher oder in BigQuery1.
Die anderen Optionen sind aus den folgenden Gründen nicht so gut wie Option D:
* Option A: Exportieren der historischen Daten in den Cloud-Speicher im Avro-Format, Konfigurieren eines Vertex-KI-Batch-Vorhersageauftrags, um Vorhersagen für die exportierten Daten zu generieren, würde mehr Fähigkeiten und Schritte erfordern als das Konfigurieren eines Vertex-KI-Batch-Vorhersageauftrags, um das Modell auf die historischen Daten in BigQuery anzuwenden, und könnte die Komplexität und Kosten des Batch-Inferenzprozesses erhöhen. Avro ist eine Art von Format, das Daten in einem Binärformat speichern und serialisieren kann. Avro kann Ihnen helfen, Ihre Daten zu komprimieren und zu kodieren, und unterstützt die Schemaentwicklung und -kompatibilität. Indem Sie die historischen Daten im Avro-Format in den Cloud-Speicher exportieren und einen Vertex AI-Batch-Vorhersageauftrag konfigurieren, um Vorhersagen für die exportierten Daten zu generieren, können Sie mit minimalem Code und minimaler Konfiguration eine Batch-Inferenz durchführen. Sie können die BigQuery-API oder das bq-Befehlszeilentool verwenden, um die historischen Daten im Avro-Format in den Cloud-Speicher zu exportieren, und die Vertex
* AI-API oder das gcloud-Befehlszeilentool, um einen Batch-Vorhersageauftrag zu konfigurieren, und geben Sie den Modellnamen, die Modellversion, die Eingabequelle, das Eingabeformat, das Ausgabeziel und das Ausgabeformat an. Der Export der historischen Daten in den Cloud-Speicher im Avro-Format und die Konfiguration eines Vertex-KI-Batch-Vorhersageauftrags zur Generierung von Vorhersagen für die exportierten Daten würde jedoch mehr Fähigkeiten und Schritte erfordern als die Konfiguration eines Vertex-KI-Batch-Vorhersageauftrags zur Anwendung des Modells auf die historischen Daten in BigQuery und könnte die Komplexität und Kosten des Batch-Inferenzprozesses erhöhen. Sie müssten Code schreiben, die historischen Daten in den Cloud-Speicher exportieren, einen Batch-Vorhersageauftrag konfigurieren und Vorhersagen für die exportierten Daten generieren. Außerdem würde bei dieser Option BigQuery nicht als Eingabequelle für den Batch-Vorhersageauftrag verwendet, was den Batch-Inferenzprozess vereinfachen und verschiedene Vorteile bieten kann, wie schnelle Abfrageleistung, serverlose Skalierung und Kostenoptimierung2.
* Option B: Der Import des TensorFlow-Modells unter Verwendung der Anweisung "create model" in BigQuery ML und die Anwendung der historischen Daten auf das TensorFlow-Modell würde es Ihnen nicht ermöglichen, Vertex AI zu verwenden, um den Batch-Vorhersageauftrag auszuführen, und könnte die Komplexität und Kosten des Batch-Inferenzprozesses erhöhen.
BigQuery ML ist eine Funktion von BigQuery, mit der Modelle für maschinelles Lernen in BigQuery mithilfe von SQL-Abfragen erstellt und ausgeführt werden können. Mit BigQuery ML können Sie verschiedene Arten von Modellen erstellen und trainieren, z. B. lineare Regression, logistische Regression, k-means-Clustering, Matrixfaktorisierung und tiefe neuronale Netze. Eine "create model"-Anweisung ist eine Art von SQL-Anweisung, mit der ein Modell für maschinelles Lernen in BigQuery ML erstellt werden kann. Eine create model-Anweisung kann Ihnen helfen, den Modellnamen, den Modelltyp, die Modelloptionen und die Modellabfrage anzugeben. Durch den Import des TensorFlow-Modells mit Hilfe der create model-Anweisung in BigQuery ML und die Anwendung der historischen Daten auf das TensorFlow-Modell können Sie Batch-Inferenz mit minimalem Code und Konfiguration durchführen. Sie können die BigQuery API oder das bq Kommandozeilentool verwenden, um das TensorFlow Modell zu importieren, indem Sie die create model Anweisung in BigQuery ML verwenden und den Modellnamen, den Modelltyp, die Modelloptionen und die Modellabfrage angeben. Sie können auch die BigQuery API oder das bq Kommandozeilen-Tool verwenden, um die historischen Daten auf das TensorFlow Modell anzuwenden und den Modellnamen, die Eingabedaten und das Ausgabeziel anzugeben. Der Import des TensorFlow-Modells mit der Anweisung "create model" in BigQuery ML und die Anwendung der historischen Daten auf das TensorFlow-Modell würde es Ihnen jedoch nicht ermöglichen, Vertex AI zu verwenden, um den Batch-Vorhersageauftrag auszuführen, und könnte die Komplexität und die Kosten des Batch-Inferenzprozesses erhöhen. Sie müssten Code schreiben, das TensorFlow-Modell importieren, die historischen Daten anwenden und Vorhersagen generieren. Außerdem würde diese Option nicht Vertex AI nutzen, eine einheitliche Plattform für den Aufbau und die Bereitstellung von Lösungen für maschinelles Lernen in der Google Cloud, die verschiedene Tools und Dienste für Datenanalyse, Modellentwicklung, Modellbereitstellung, Modellüberwachung und Modellverwaltung bietet3.
* Option C: Export der historischen Daten in den Cloud-Speicher im CSV-Format, die Konfiguration eines Vertex AI-Batch-Vorhersageauftrags zur Erstellung von Vorhersagen für die exportierten Daten würde mehr Fähigkeiten und Schritte erfordern als die Konfiguration eines Vertex AI-Batch-Vorhersageauftrags zur Anwendung des Modells auf die historischen Daten in BigQuery und könnte die Komplexität und Kosten des Batch-Inferenzprozesses erhöhen. CSV ist ein Formattyp, der Daten in einem durch Kommata getrennten Werteformat speichern und serialisieren kann. Mit CSV können Sie Ihre Daten speichern und austauschen, und es unterstützt verschiedene Datentypen und -formate. Indem Sie die historischen Daten im CSV-Format in den Cloud-Speicher exportieren und einen Vertex AI-Batch-Vorhersageauftrag konfigurieren, um Vorhersagen für die exportierten Daten zu generieren, können Sie mit minimalem Code und minimaler Konfiguration eine Batch-Inferenz durchführen. Sie können die BigQuery-API oder das bq-Befehlszeilentool verwenden, um die historischen Daten im CSV-Format in den Cloud-Speicher zu exportieren, und die Vertex AI-API oder das gcloud-Befehlszeilentool verwenden, um einen Batch-Vorhersageauftrag zu konfigurieren, und den Modellnamen, die Modellversion, die Eingabequelle, das Eingabeformat, das Ausgabeziel und das Ausgabeformat angeben. Der Export der historischen Daten in den Cloud-Speicher im CSV-Format und die Konfiguration eines Vertex AI-Batch-Vorhersageauftrags zur Generierung von Vorhersagen für die exportierten Daten würde jedoch mehr Fähigkeiten und Schritte erfordern als die Konfiguration eines Vertex AI-Batch-Vorhersageauftrags zur Anwendung des Modells auf die historischen Daten in BigQuery und könnte die Komplexität und Kosten des Batch-Inferenzprozesses erhöhen. Sie müssten Code schreiben, die historischen Daten in den Cloud-Speicher exportieren, einen Batch-Vorhersageauftrag konfigurieren und Vorhersagen für die exportierten Daten generieren. Außerdem würde bei dieser Option BigQuery nicht als Eingabequelle für
* den Batch-Vorhersageauftrag, der den Batch-Inferenzprozess vereinfachen und verschiedene Vorteile bieten kann, wie schnelle Abfrageleistung, serverlose Skalierung und Kostenoptimierung2.
Referenzen:
* Batch-Vorhersage | Vertex AI | Google Cloud
* Exportieren von Tabellendaten | BigQuery | Google Cloud
* Erstellen und Verwenden von Modellen | BigQuery ML | Google Cloud

* Option A ist falsch, da die Verwendung des Batch-Prognosemodus anstelle des Online-Modus das Problem nicht löst.
"Out of Memory"-Fehler, sondern ändert vielmehr die Latenz und den Durchsatz des Vorhersagedienstes. Der Batch-Prognosemodus eignet sich für umfangreiche, asynchrone und nicht dringende Prognosen, während der Online-Prognosemodus für synchrone und Echtzeit-Prognosen mit geringer Latenz geeignet ist1.
* Option B ist richtig, weil das erneute Senden der Anforderung mit einer kleineren Anzahl von Instanzen den Speicherverbrauch des Vorhersagedienstes verringern und den Fehler "Speicherplatzmangel" vermeiden kann. Die Stapelgröße ist die Anzahl der Instanzen, die zusammen in einer Anfrage verarbeitet werden. Eine kleinere Stapelgröße bedeutet weniger Daten, die auf einmal in den Speicher geladen werden müssen2.
* Option C ist falsch, da die Verwendung von Base64 zur Kodierung Ihrer Daten vor der Verwendung für die Vorhersage den Speicherverbrauch des Vorhersagedienstes nicht verringert, sondern eher erhöht. Die Base64-Kodierung ist eine Möglichkeit, binäre Daten als ASCII-Zeichen darzustellen, wodurch sich die Größe der Daten um etwa
33%3. Die Base64-Kodierung ist nur für bestimmte Datentypen erforderlich, z. B. Bilder und Audio, die nicht als JSON oder CSV4 dargestellt werden können.
* Option D ist nicht korrekt, da die Beantragung einer Quotenerhöhung für die Anzahl der Vorhersageanfragen den "Out of Memory"-Fehler nicht behebt, sondern vielmehr die Anzahl der Anfragen erhöht, die an das System gesendet werden können.
* Vorhersagedienst pro Tag. Quoten sind Grenzen für die Nutzung von Google Cloud-Ressourcen wie CPU, Arbeitsspeicher, Festplatte und Netzwerk5. Quoten wirken sich nicht auf die Leistung des Vorhersagedienstes aus, sondern vielmehr auf die Verfügbarkeit und die Kosten des Dienstes.
Referenzen:
* Wahl zwischen Online- und Batch-Prognose
* Online-Vorhersage-Eingabedaten
* Base64-Kodierung
* Aufbereitung der Daten für die Vorhersage
* Quoten und Grenzwerte

* Erläuterung: TensorFlow Extended (TFX) ist eine Plattform zum Aufbau von End-to-End-Pipelines für maschinelles Lernen mit TensorFlow. TFX bietet eine Reihe von Komponenten, die entweder mit dem TFX SDK oder Kubeflow Pipelines orchestriert werden können. TFX-Komponenten können verschiedene Aspekte der Pipeline handhaben, wie z.B. Dateneingabe, Datenvalidierung, Datentransformation, Modelltraining, Modellevaluierung, Modellbereitstellung und mehr. TFX-Komponenten können auch andere Google Cloud-Dienste nutzen, wie BigQuery, Dataflow und Vertex AI.
* Warum nicht A: Die Verwendung des Kubeflow Pipelines SDK zur Implementierung der Pipeline ist eine gute Option, aber die Verwendung der Komponente BigQueryJobOp zur Ausführung des Vorverarbeitungsskripts ist nicht optimal. Dies würde das Schreiben und Pflegen eines separaten SQL-Skripts für die Datentransformation erfordern, was zu Inkonsistenzen und Fehlern führen könnte. Außerdem wäre es dann schwieriger, dieselbe Vorverarbeitungslogik sowohl für das Training als auch für das Serving wiederzuverwenden.
* Warum nicht B: Die Verwendung des Kubeflow Pipelines SDK zur Implementierung der Pipeline ist eine gute Option, aber die Verwendung der Komponente DataflowPythonJobOp zur Vorverarbeitung der Daten ist nicht optimal. Dies würde das Schreiben und Pflegen eines separaten Python-Skripts für die Datentransformation erfordern, was zu Inkonsistenzen und Fehlern führen könnte. Außerdem wäre es dann schwieriger, dieselbe Vorverarbeitungslogik sowohl für das Training als auch für die Ausgabe wiederzuverwenden.
* Warum nicht D: Die Verwendung des TensorFlow Extended SDK zur Implementierung der Pipeline ist eine gute Option, aber die Implementierung der Vorverarbeitungsschritte als Teil der input_fn des Modells ist nicht optimal. Dies würde
* Die Vorverarbeitungslogik ist eng mit dem Modellcode verknüpft, was die Modularität und Flexibilität beeinträchtigen könnte. Außerdem wäre es dann schwieriger, dieselbe Vorverarbeitungslogik sowohl für das Training als auch für die Ausgabe wiederzuverwenden.

Die beste Option für die Bereitstellung eines benutzerdefinierten tabellarischen ML-Modells in der Produktion für Online-Vorhersagen und die Überwachung der Merkmalsverteilung im Laufe der Zeit mit minimalem Aufwand, unter Verwendung eines Modells, das vom Anbieter der Bank zur Verfügung gestellt wurde, wobei die Trainingsdaten aufgrund ihrer Empfindlichkeit nicht verfügbar sind und das Modell als Vertex AI Model Serving-Container verpackt ist, der eine Zeichenkette als Eingabe für jede Vorhersageinstanz akzeptiert, ist das Hochladen des Modells in die Vertex AI Model Registry und die Bereitstellung des Modells an einen Vertex AI-Endpunkt, die Erstellung eines Vertex AI Model Monitoring-Auftrags mit Merkmalsdrift-Erkennung als Überwachungsziel und die Bereitstellung eines Instanzschemas. Mit dieser Option können Sie die Leistung und Einfachheit von Vertex AI nutzen, um Ihr Modell mit minimalem Code und minimaler Konfiguration bereitzustellen und zu überwachen. Vertex AI ist eine einheitliche Plattform für die Erstellung und Bereitstellung von Lösungen für maschinelles Lernen in der Google Cloud. Vertex AI kann ein trainiertes Modell an einem Online-Vorhersage-Endpunkt bereitstellen, der Vorhersagen mit niedriger Latenz für einzelne Instanzen liefern kann. Vertex AI kann auch verschiedene Tools und Services für die Datenanalyse, Modellentwicklung, Modellbereitstellung, Modellüberwachung und Modellverwaltung bereitstellen. Eine Vertex AI Model Registry ist eine Ressource, die Ihre Modelle auf Vertex AI speichern und verwalten kann. Eine Vertex AI Model Registry kann Ihnen helfen, Ihre Modelle zu organisieren und zu verfolgen und auf verschiedene Modellinformationen zuzugreifen, wie z.B. Modellname, Modellbeschreibung und Modellbezeichnungen. Ein Vertex AI Model Serving Container ist eine Ressource, die Ihren benutzerdefinierten Modellcode auf Vertex AI ausführen kann. Ein Vertex AI Model Serving Container kann Ihnen dabei helfen, Ihren Modellcode und Ihre Abhängigkeiten in ein Container-Image zu verpacken und das Container-Image an einem Online-Vorhersage-Endpunkt bereitzustellen. Ein Vertex AI Model-Serving-Container kann verschiedene Eingabeformate akzeptieren, z. B. JSON, CSV oder TFRecord. Ein String-Eingabeformat ist eine Art von Eingabeformat, das eine Zeichenkette als Eingabe für jede Vorhersageinstanz akzeptiert. Mit einem String-Eingabeformat können Sie Ihre Merkmalswerte in einem einzigen String kodieren und durch Kommas trennen. Durch Hochladen des Modells in die Vertex AI Model Registry und Bereitstellen des Modells an einem Vertex AI-Endpunkt können Sie Ihr Modell mit minimalem Code und minimaler Konfiguration für Online-Vorhersagen bereitstellen. Sie können die Vertex AI API oder das gcloud-Befehlszeilentool verwenden, um das Modell in die Vertex AI Model Registry hochzuladen und den Modellnamen, die Modellbeschreibung und die Modellbezeichnungen anzugeben. Sie können auch die Vertex AI-API oder das gcloud-Befehlszeilentool verwenden, um das Modell an einem Vertex AI-Endpunkt bereitzustellen, und den Endpunktnamen, die Endpunktbeschreibung, die Endpunktbezeichnungen und die Endpunktressourcen bereitstellen. Ein Vertex AI Model Monitoring Job ist eine Ressource, die die Leistung und Qualität Ihrer bereitgestellten Modelle auf Vertex AI überwachen kann. Ein Vertex AI Model Monitoring Job kann Ihnen dabei helfen, Probleme mit Ihren Modellen zu erkennen und zu diagnostizieren, wie z.B. Datendrift, Prädiktionsdrift, Training/Serving Skew oder Modellstalheit. Feature Drift ist eine Art von Modellüberwachungsmetrik, die den Unterschied zwischen den Verteilungen der Features, die zum Trainieren des Modells verwendet werden, und den Features, die zum Bedienen des Modells verwendet werden, über die Zeit misst. Die Merkmalsdrift kann darauf hinweisen, dass sich die Online-Daten im Laufe der Zeit ändern und die Modellleistung abnimmt. Wenn Sie einen Vertex AI Model Monitoring-Job mit der Erkennung von Feature-Drift als Überwachungsziel erstellen und ein Instanzschema bereitstellen, können Sie die Feature-Verteilung im Laufe der Zeit mit minimalem Aufwand überwachen. Sie können die Vertex AI-API oder das gcloud-Befehlszeilentool verwenden, um einen Vertex AI-Modellüberwachungsauftrag zu erstellen und das Überwachungsziel, die Überwachungshäufigkeit, den Warnschwellenwert und den Benachrichtigungskanal anzugeben. Sie können auch ein Instanzschema bereitstellen, eine JSON-Datei, die die Merkmale und ihre Typen in den Vorhersage-Eingabedaten beschreibt. Ein Instanzschema kann Vertex AI Model Monitoring dabei helfen, das String-Eingabeformat zu analysieren und die Merkmalsverteilungen und Distanzwerte zu berechnen1.
Die anderen Optionen sind aus den folgenden Gründen nicht so gut wie Option A:
* Option B: Das Hochladen des Modells in die Vertex AI Model Registry und das Bereitstellen des Modells an einem Vertex AI-Endpunkt, das Erstellen eines Vertex AI Model Monitoring-Jobs mit Feature-Skew-Erkennung als Überwachungsziel und das Bereitstellen eines Instanzschemas würden Ihnen nicht dabei helfen, die Änderungen in den Online-Daten im Laufe der Zeit zu überwachen, und könnten zu Fehlern oder schlechter Leistung führen. Feature-Skew ist eine Art von Modellüberwachungsmetrik, die den Unterschied zwischen den Verteilungen der Features, die zum Trainieren des Modells verwendet werden, und der
* die Merkmale, die für das Modell zu einem bestimmten Zeitpunkt verwendet werden. Merkmalsverzerrungen können darauf hinweisen, dass das Modell nicht auf den repräsentativen Daten trainiert wurde oder dass sich die Daten im Laufe der Zeit ändern. Wenn Sie einen Vertex AI Model Monitoring-Auftrag mit der Erkennung von Feature-Skew als Überwachungsziel erstellen und ein Instanzschema bereitstellen, können Sie die Feature-Verteilung zu einem bestimmten Zeitpunkt mit minimalem Aufwand überwachen.
Das Hochladen des Modells in die Vertex AI Model Registry und das Bereitstellen des Modells an einen Vertex AI-Endpunkt, das Erstellen eines Vertex AI Model Monitoring-Jobs mit Feature-Skew-Erkennung als Überwachungsziel und das Bereitstellen eines Instanzschemas würden Ihnen jedoch nicht helfen, die Änderungen in den Online-Daten im Laufe der Zeit zu überwachen, und könnten zu Fehlern oder schlechter Leistung führen. Sie müssten die Vertex AI-API oder das gcloud-Befehlszeilentool verwenden, um das Modell in die Vertex AI Model Registry hochzuladen, das Modell an einem Vertex AI-Endpunkt bereitzustellen, einen Vertex AI Model Monitoring-Auftrag zu erstellen und ein Instanzschema bereitzustellen. Außerdem würde bei dieser Option die Merkmalsdrift nicht überwacht, die eine direktere und relevantere Metrik für die Messung der Änderungen in den Online-Daten im Laufe der Zeit sowie der Modellleistung und -qualität ist1.
* Option C: Das Refactoring des Serving-Containers, um Schlüssel-Wert-Paare als Eingabeformat zu akzeptieren, das Hochladen des Modells in die Vertex AI Model Registry und die Bereitstellung des Modells an einem Vertex AI-Endpunkt, die Erstellung eines Vertex AI Model Monitoring-Jobs mit Feature-Drift-Erkennung als Überwachungsziel würde mehr Fähigkeiten und Schritte erfordern als das Hochladen des Modells in die Vertex AI Model Registry und die Bereitstellung des Modells an einem Vertex AI-Endpunkt, die Erstellung eines Vertex AI Model Monitoring-Jobs mit Feature-Drift-Erkennung als Überwachungsziel und die Bereitstellung eines Instanzschemas. Ein Schlüssel-Wert-Paar-Eingabeformat ist ein Typ von Eingabeformat, das ein Schlüssel-Wert-Paar als Eingabe für jede Vorhersageinstanz akzeptiert. Mit einem Key-Value-Pair-Eingabeformat können Sie die Merkmalsnamen und -werte in einem JSON-Objekt angeben und sie durch Doppelpunkte trennen. Wenn Sie den Serving-Container so umgestalten, dass er Schlüssel-Wert-Paare als Eingabeformat akzeptiert, das Modell in die Vertex AI Model Registry hochladen und das Modell an einem Vertex AI-Endpunkt bereitstellen, können Sie einen Vertex AI Model Monitoring-Auftrag mit Feature-Drift-Erkennung als Überwachungsziel erstellen und Ihr Modell mit minimalem Code und minimaler Konfiguration bereitstellen und überwachen. Sie können Code schreiben, um den Serving-Container so umzugestalten, dass er Schlüssel-Wert-Paare als Eingabeformat akzeptiert, und die Vertex AI-API oder das gcloud-Befehlszeilentool verwenden, um das Modell in die Vertex AI Model Registry hochzuladen, das Modell an einen Vertex AI-Endpunkt bereitzustellen und einen Vertex AI Model Monitoring-Auftrag zu erstellen. Das Refactoring des Serving-Containers, um Schlüssel-Wert-Paare als Eingabeformat zu akzeptieren, das Hochladen des Modells in die Vertex AI Model Registry und das Bereitstellen des Modells an einen Vertex AI-Endpunkt, das Erstellen eines Vertex AI Model Monitoring-Jobs mit Feature-Drift-Erkennung als Überwachungsziel würde jedoch mehr Fähigkeiten und Schritte erfordern als das Hochladen des Modells in die Vertex AI Model Registry und das Bereitstellen des Modells an einen Vertex AI-Endpunkt, das Erstellen eines Vertex AI Model Monitoring-Jobs mit Feature-Drift-Erkennung als Überwachungsziel und die Bereitstellung eines Instanzschemas. Sie müssten Code schreiben, den Serving-Container refaktorisieren, das Modell in die Vertex AI Model Registry hochladen, das Modell an einen Vertex AI-Endpunkt bereitstellen und einen Vertex AI Model Monitoring-Job erstellen. Außerdem würde bei dieser Option das Instanzschema nicht verwendet, bei dem es sich um eine JSON-Datei handelt, die Vertex AI Model Monitoring beim Parsen und Analysieren des String-Eingabeformats sowie bei der Berechnung der Merkmalsverteilungen und Distanzwerte helfen kann1.
* Option D: Das Refactoring des Serving-Containers, um Schlüssel-Wert-Paare als Eingabeformat zu akzeptieren, das Hochladen des Modells in die Vertex AI Model Registry und das Bereitstellen des Modells an einen Vertex AI-Endpunkt, das Erstellen eines Vertex AI Model Monitoring-Jobs mit Feature-Skew-Erkennung als Überwachungsziel würde mehr Fähigkeiten und Schritte erfordern als das Hochladen des Modells in die Vertex AI Model Registry und das Bereitstellen des Modells an einen Vertex AI-Endpunkt, das Erstellen eines Vertex AI Model Monitoring-Auftrags mit Feature-Drift-Erkennung als Überwachungsziel und das Bereitstellen eines Instanzschemas und würde Ihnen nicht helfen, die Änderungen in den Online-Daten im Laufe der Zeit zu überwachen, und könnte zu Fehlern oder schlechter Leistung führen. Feature-Skew ist eine Art von Modellüberwachungsmetrik, die den Unterschied zwischen den Verteilungen der Features, die zum Trainieren des Modells verwendet werden, und den Features, die zum Bedienen des Modells verwendet werden, zu einem bestimmten Zeitpunkt misst. Feature-Skew kann darauf hinweisen, dass das Modell nicht auf den repräsentativen Daten trainiert wurde oder dass sich die Daten im Laufe der Zeit ändern. Wenn Sie einen Vertex AI-Modellüberwachungsauftrag mit der Erkennung von Feature-Skew als Überwachungsziel erstellen, können Sie die Feature-Verteilung zu einem bestimmten Zeitpunkt mit minimalem Aufwand überwachen. Das Refactoring der
* Das Hochladen des Modells in die Vertex AI Model Registry und das Bereitstellen des Modells an einen Vertex AI-Endpunkt, das Erstellen eines Vertex AI Model Monitoring-Jobs mit Feature-Skew-Erkennung als Überwachungsziel würde mehr Fähigkeiten und Schritte erfordern als das Hochladen des Modells in die Vertex AI Model Registry und das Bereitstellen des Modells an einen Vertex AI-Endpunkt, das Erstellen eines Vertex AI Model Monitoring-Auftrags mit Feature-Drift-Erkennung als Überwachungsziel und das Bereitstellen eines Instanzschemas und würde Ihnen nicht helfen, die Änderungen in den Online-Daten im Laufe der Zeit zu überwachen, und könnte zu Fehlern oder schlechter Leistung führen. Sie müssten Code schreiben, den Serving-Container refaktorisieren, das Modell in die Vertex AI Model Registry hochladen, das Modell an einem Vertex AI-Endpunkt bereitstellen und einen Vertex AI Model Monitoring-Auftrag erstellen. Außerdem würde bei dieser Option die Feature-Drift nicht überwacht, die eine direktere und relevantere Metrik für die Messung der Änderungen in den Online-Daten im Laufe der Zeit sowie der Modellleistung und -qualität ist1.
Referenzen:
* Verwendung von Model Monitoring | Vertex AI | Google Cloud

* Option A ist falsch, da das Training lokaler Ersatzmodelle zur Erklärung einzelner Vorhersagen kein Merkmal von Vertex Explainable AI ist, sondern eine allgemeine Technik zur Interpretation von Black-Box-Modellen. Lokale Ersatzmodelle sind einfachere Modelle, die das Verhalten des ursprünglichen Modells um eine bestimmte Eingabe herum approximieren1.
* Option B ist richtig, weil die Konfiguration von Shapley-Erklärungen auf Vertex Explainable AI eine Möglichkeit ist, die Differenz zwischen der tatsächlichen Vorhersage und der durchschnittlichen Vorhersage für eine bestimmte
* Eingabe. Sampled Shapley-Erklärungen basieren auf dem Shapley-Wert, einem spieltheoretischen Konzept, das misst, wie viel jedes Merkmal zur Vorhersage beiträgt2. Vertex Explainable AI unterstützt gesampelte Shapley-Erklärungen für tabellarische Daten, wie z. B. Kundenabwanderung3.
* Option C ist falsch, da die Konfiguration von Erklärungen mit integrierten Gradienten auf Vertex Explainable AI nicht geeignet ist, um den Unterschied zwischen der tatsächlichen Vorhersage und der durchschnittlichen Vorhersage für eine bestimmte Eingabe zu erklären. Integrierte Gradientenerklärungen beruhen auf der Idee, die Gradienten der Vorhersage in Bezug auf die Eingangsmerkmale entlang eines Pfades von einer Basiseingabe zur tatsächlichen Eingabe zu berechnen4. Vertex Explainable AI unterstützt integrierte Gradientenerklärungen für Bild- und Textdaten, jedoch nicht für Tabellendaten3.
* Option D ist falsch, weil die Messung der Wirkung jedes Merkmals als das Gewicht des Merkmals multipliziert mit dem Merkmalswert keine gültige Methode ist, um den Unterschied zwischen der tatsächlichen Vorhersage und der durchschnittlichen Vorhersage für eine bestimmte Eingabe zu erklären. Diese Methode setzt voraus, dass das Modell linear und additiv ist, was bei einem Ensemble von Bäumen und neuronalen Netzen nicht der Fall ist. Außerdem berücksichtigt diese Methode nicht die Wechselwirkungen zwischen den Merkmalen oder die Nichtlinearität des Modells5.
Referenzen:
* Lokale Surrogatmodelle
* Shapley-Wert
* Überblick über Vertex Explainable AI
* Integrierte Farbverläufe
* Bedeutung des Merkmals

Die Anzahl der trainierbaren Gewichte in einem DNN-Regressionsmodell mit Keras-APIs kann berechnet werden, indem man die Anzahl der Eingabeeinheiten mit der Anzahl der Ausgabeeinheiten für jede Schicht multipliziert und die Anzahl der Bias-Einheiten für jede Schicht addiert. Die Bias-Einheiten sind in der Regel gleich der Anzahl der Ausgabeeinheiten, mit Ausnahme der letzten Schicht, die keine Bias-Einheiten hat, wenn die Aktivierungsfunktion softmax1 ist. In diesem Code hat das Modell drei Schichten: eine dichte Schicht mit 256 Einheiten und Relu-Aktivierung, eine Dropout-Schicht mit einer Rate von 0,25 und eine dichte Schicht mit 2 Einheiten und Softmax-Aktivierung. Die Eingabeform ist 500. Daher ist die Anzahl der trainierbaren Gewichte:
* Für die erste Schicht: 500 Eingabeeinheiten * 256 Ausgabeeinheiten + 256 Vorspannungseinheiten = 128256
* Für die zweite Schicht: Die Dropout-Schicht hat keine trainierbaren Gewichte, da sie nur zufällig einige der Eingabeeinheiten auf Null setzt, um eine Überanpassung zu verhindern2.
* Für die dritte Schicht: 256 Eingabeeinheiten * 2 Ausgabeeinheiten + 0 Vorspannungseinheiten = 512 Die Gesamtzahl der trainierbaren Gewichte beträgt 128256 + 512 = 161024. Die richtige Antwort ist also B.
Referenzen:
* Wie berechnet man die Anzahl der Parameter für ein neuronales Faltungsnetz?
* Dropout (keras.io)

Umschulungen sind erforderlich, da sich der Markt verändert. So bleibt das Modell auf dem neuesten Stand und die Vorhersagegenauigkeit erhalten.