PROVA FINAL_ 13 - Cultura e Práticas Dataops e Mlops (2024)

Prévia do material em texto

PROVA FINAL
Entrega Sem prazo
Pontos 40
Perguntas 10
Limite de tempo 60 Minutos
Tentativas permitidas 2
Instruções
Histórico de tentativas
Tentativa Tempo Pontuação
MAIS RECENTE Tentativa 1 6 minutos 40 de 40
Pontuação desta tentativa: 40 de 40
Enviado 2 nov em 23:56
Esta tentativa levou 6 minutos.
Resposta correta
Pergunta 1
4 / 4 pts
 
DataOps se refere a uma disciplina que busca melhorar a colaboração e eficiência entre equipes de
desenvolvimento e operações no contexto de gerenciamento de dados, envolvendo a automação de processos e
a implementação de pipelines de dados eficientes.
Esta é a alternativa correta. DataOps é uma disciplina que busca melhorar a colaboração e
eficiência entre equipes de desenvolvimento e operações no contexto de gerenciamento de dados.
Isso envolve a automação de processos, a padronização de práticas e a implementação de
pipelines de dados eficientes.
 
DataOps é uma plataforma de visualização de dados amplamente utilizada em ambientes de desenvolvimento.
INSTRUÇÕES DA PROVA FINAL
- A prova tem a duração de 60 minutos. 
- Ao clicar em PROVA FINAL, no menu “Testes” você iniciará a prova. Ao acessar a página com as
questões, o tempo começa a ser contado.
- A prova é composta de 10 (dez) questões objetivas, sendo 04 (quatro) pontos cada.
- Ao final do teste não se esqueça de enviá-lo, clicando no botão “ENVIAR TESTE”. Só utilize esse
botão quando tiver finalizado a avaliação.
- Se necessário, durante a prova, entre em contato pelo link “Atendimento”.
- Você terá 02 (duas) tentativas e, caso necessite de uma nova, será preciso solicitar a prova extra,
que requer pagamento de taxa adicional.
Atenção: Todas as provas iniciadas e que não houverem sido submetidas serão automaticamente
encerradas pelo sistema transcorridos os 60 minutos de duração.
Boa prova!
DataOps é uma disciplina que visa melhorar a colaboração e eficiência entre equipes de
desenvolvimento e operações no contexto de gerenciamento de dados. Ela envolve a automação
de processos, a padronização de práticas e a implementação de pipelines de dados eficientes. O
que representa a prática de DataOps em um ambiente de desenvolvimento?
https://pucminas.instructure.com/courses/175931/quizzes/448963/history?version=1
 DataOps é uma prática focada exclusivamente na coleta e armazenamento de dados em grandes volumes.
 DataOps é uma técnica específica para a análise de dados em projetos de Machine Learning.
Resposta correta
Pergunta 2
4 / 4 pts
 
O versionamento de modelos de machine learning permite rastrear as alterações feitas em um modelo ao longo
do tempo.
O versionamento de modelos de machine learning é importante para garantir a rastreabilidade e a
reprodutibilidade de modelos. Ao rastrear as alterações feitas em um modelo, é possível identificar
o impacto de cada alteração no desempenho do modelo. Isso pode ser útil para melhorar o
desempenho do modelo ou reverter para uma versão anterior se necessário.
 
O versionamento de modelos de machine learning permite reverter para uma versão anterior de um modelo se
necessário.
 
O versionamento de modelos de machine learning permite comparar diferentes versões de um modelo para
identificar melhorias.
 O versionamento de modelos de machine learning permite compartilhar modelos com outros usuários.
Resposta correta
Pergunta 3
4 / 4 pts
 
Ambientes conda são ambientes virtuais que permitem a execução de código Python em um ambiente isolado,
com suas próprias dependências e configurações.
Esta é a alternativa correta. Ambientes conda são ambientes virtuais que permitem a criação e
execução de código Python em um ambiente isolado, com suas próprias dependências e
configurações. Isso ajuda a evitar conflitos entre diferentes versões de bibliotecas e facilita a
reprodução de ambientes de desenvolvimento em diferentes máquinas.
 
Ambientes conda referem-se a servidores de nuvem especialmente configurados para a execução de tarefas de
Machine Learning.
 Ambientes conda são interfaces gráficas utilizadas para a visualização de dados em projetos de DataOps.
 
Ambientes conda são bibliotecas de Machine Learning amplamente utilizadas para treinamento de modelos em
ambientes de MLOps.
Resposta correta
Pergunta 4
4 / 4 pts
Qual das alternativas a seguir descreve corretamente o objetivo do versionamento de modelos de
machine learning?
O que são ambientes conda?
Nos ambientes de MLOps, a implementação de testes unitários é uma prática essencial para
garantir a qualidade e a confiabilidade dos modelos de Machine Learning. Testes unitários ajudam a
identificar possíveis falhas e comportamentos inesperados nos componentes individuais de um
modelo, como pré-processamento de dados, algoritmos de aprendizado e pós-processamento.
Ao criar testes unitários, os profissionais de MLOps podem ter maior confiança de que as
alterações feitas nos modelos não introduzirão problemas inesperados. Além disso, eles facilitam a
detecção de erros e a manutenção do código ao longo do tempo.
Considerando a importância dos testes unitários em ambientes de MLOps, qual é o principal
benefício de implementar esses testes?
 Reduzir o tempo de treinamento dos modelos de Machine Learning.
 Eliminar a necessidade de validação e verificação dos resultados gerados pelos modelos.
 Garantir a qualidade e confiabilidade dos modelos, identificando possíveis falhas nos componentes individuais.
Esta é a alternativa correta. O principal benefício de implementar testes unitários em ambientes de
MLOps é garantir a qualidade e confiabilidade dos modelos, identificando possíveis falhas nos
componentes individuais, como pré-processamento de dados, algoritmos de aprendizado e pós-
processamento. Isso ajuda a evitar comportamentos inesperados e a manter a consistência dos
resultados gerados pelos modelos.
 Automatizar completamente o processo de desenvolvimento de modelos de Machine Learning.
Resposta correta
Pergunta 5
4 / 4 pts
 A redução da necessidade de monitoramento de dados de produção ao longo do tempo.
 
A simplificação do processo de treinamento de modelos, uma vez que os dados de produção permanecem
constantes.
 O aumento da confiabilidade dos modelos devido à constante atualização dos dados de produção.
 
A necessidade de ajustar continuamente os algoritmos de Machine Learning para lidar com mudanças na
distribuição dos dados.
Esta é a alternativa correta. O Data Drift representa o desafio de ajustar continuamente os
algoritmos de Machine Learning para lidar com mudanças na distribuição dos dados. Isso é crucial
para manter a precisão e relevância dos modelos ao longo do tempo.
Resposta correta
Pergunta 6
4 / 4 pts
 Eliminar a necessidade de monitoramento de sistemas e aplicações, tornando o processo mais ágil.
 
Acelerar a entrega de software de alta qualidade, promovendo a colaboração e eficiência entre as equipes de
desenvolvimento e operações.
Esta é a alternativa correta. Um dos principais objetivos do DevOps é acelerar a entrega de
software de alta qualidade, promovendo a colaboração e eficiência entre as equipes de
No contexto de DataOps, o termo "Data Drift" se refere a um dos desafios mais comuns
enfrentados pelas equipes que lidam com dados em ambientes dinâmicos. O Data Drift ocorre
quando a distribuição ou características dos dados de produção mudam ao longo do tempo, o que
pode afetar a performance e a confiabilidade dos modelos de Machine Learning em produção.
É crucial para as equipes de DataOps detectar e lidar com o Data Drift de forma eficaz para manter
a precisão e a relevância dos modelos. Isso pode envolver a implementação de monitoramento
contínuo, re-treinamento periódico e ajustes nos pipelines de dados.
Considerando o conceito de "Data Drift" em ambientes de DataOps, qual é o principal desafio que
ele representa para as equipes que lidam com modelos de Machine Learning?
DevOps é uma abordagem que visa a integração e colaboração entre as equipes de
desenvolvimento (Dev) e operações (Ops) no ciclo de vida de desenvolvimentode software. O
principal objetivo é acelerar a entrega de software de alta qualidade, garantindo eficiência e
confiabilidade nos processos.
Essa abordagem envolve a automação de tarefas, a implementação de práticas de monitoramento
e a adoção de uma cultura de colaboração entre as equipes. Ao unificar o desenvolvimento e a
operação, o DevOps busca reduzir falhas, melhorar a eficiência e promover a inovação de forma
mais rápida e segura. Considerando a abordagem do DevOps, qual é um dos principais objetivos
dessa prática?
desenvolvimento e operações. Isso é alcançado por meio da automação de tarefas, da
implementação de práticas de monitoramento e da promoção de uma cultura de colaboração.
 Priorizar a quantidade de funcionalidades entregues em detrimento da qualidade do software.
 Isolar as equipes de desenvolvimento e operações para garantir uma maior segurança nos processos.
Resposta correta
Pergunta 7
4 / 4 pts
 
Integração contínua se refere ao processo de coleta e organização de dados antes de alimentar um modelo de
Machine Learning.
 
Integração contínua envolve a automação de testes e verificações de código, garantindo que as alterações em
modelos de Machine Learning sejam integradas de forma eficiente e sem comprometer a estabilidade do sistema.
Esta é a alternativa correta. A integração contínua em MLOps envolve a automação de testes e
verificações de código, garantindo que as alterações em modelos de Machine Learning sejam
integradas de forma eficiente e sem comprometer a estabilidade do sistema. Isso contribui para um
ciclo de desenvolvimento mais rápido e seguro.
 
Integração contínua é um processo exclusivo para a integração de dados de diferentes fontes em um ambiente de
DataOps.
 
A integração contínua em MLOps refere-se à prática de realizar treinamentos de modelos de Machine Learning de
forma contínua, sem interrupções
Resposta correta
Pergunta 8
4 / 4 pts
 Aumentar a precisão do modelo devido à exposição através da API.
 
Limitar o acesso ao modelo para um número restrito de usuários, garantindo a segurança das previsões geradas.
 
Integrar o modelo de forma eficiente aos processos de negócios, permitindo sua utilização em diferentes sistemas
e aplicações.
Esta é a alternativa correta. Um dos principais benefícios de disponibilizar um modelo de Machine
Learning por meio de uma API é a capacidade de integrá-lo de forma eficiente aos processos de
negócios. Isso permite que o modelo seja utilizado em diferentes sistemas e aplicações,
proporcionando um maior impacto nos processos organizacionais.
 Reduzir a complexidade do modelo, tornando-o mais fácil de ser interpretado por usuários finais
Resposta correta
Na implementação de práticas de MLOps, a integração contínua desempenha um papel crucial. Ela
envolve a automação de testes e verificações de código, garantindo que as alterações feitas em
modelos de Machine Learning sejam integradas de forma eficiente e sem comprometer a
estabilidade do sistema. O que representa a prática de integração contínua em MLOps?
Em ambientes de DataOps e MLOps, a disponibilização de modelos de Machine Learning por meio
de APIs (Application Programming Interfaces) desempenha um papel crucial. Isso permite que os
modelos sejam consumidos por diferentes sistemas e aplicações, integrando-se de forma eficiente
aos processos de negócios.
Ao expor modelos por meio de APIs, as equipes de DataOps e MLOps precisam considerar
aspectos como a segurança da API, escalabilidade e monitoramento de desempenho. Esses
fatores são essenciais para garantir uma experiência confiável e eficaz ao utilizar os modelos em
produção.
Ao disponibilizar um modelo de Machine Learning por meio de uma API, qual é um dos principais
benefícios que as equipes de DataOps e MLOps buscam alcançar?
Pergunta 9
4 / 4 pts
 
O DockerHub proporciona uma ampla variedade de imagens de contêineres prontas para uso, simplificando a
implementação de soluções e a configuração de ambientes.
Esta é a alternativa correta. Um dos principais benefícios do DockerHub é proporcionar uma ampla
variedade de imagens de contêineres prontas para uso. Isso facilita a implementação de soluções e
a configuração de ambientes de desenvolvimento e produção.
 O DockerHub facilita a execução de operações de Machine Learning sem a necessidade de contêineres.
 
Ele oferece uma plataforma para armazenamento de dados em nuvem, facilitando o gerenciamento de grandes
conjuntos de dados.
 
O principal benefício do DockerHub é a automação completa dos processos de CI/CD (Integração
Contínua/Entrega Contínua).
Resposta correta
Pergunta 10
4 / 4 pts
 O GitHub Actions é usado para armazenar e gerenciar dados de treinamento de modelos de machine learning.
 O GitHub Actions é usado para avaliar e monitorar modelos de machine learning em produção.
 
O GitHub Actions é usado para automatizar a integração contínua (CI) e a implantação contínua (CD) de modelos
de machine learning.
O GitHub Actions é usado para automatizar a integração contínua (CI) e a implantação contínua
(CD) de modelos de machine learning.
O GitHub Actions é uma plataforma de automação que pode ser usada para automatizar uma
ampla gama de tarefas, incluindo CI/CD para modelos de machine learning. Os pipelines de CI/CD
podem ser usados para automatizar tarefas como:
Construção de imagens Docker para modelos de machine learning
Treinamento de modelos de machine learning
Avaliação de modelos de machine learning
Implantação de modelos de machine learning em produção
 
O GitHub Actions é usado para criar e gerenciar ambientes de desenvolvimento, teste e produção para modelos
de machine learning.
Pontuação do teste: 40 de 40
O DockerHub desempenha um papel fundamental no ecossistema Docker e é uma plataforma de
registro de contêineres amplamente utilizada. Ele permite que desenvolvedores e equipes de
operações compartilhem, armazenem e gerenciem imagens de contêineres de forma eficiente.
O DockerHub oferece uma grande variedade de imagens de contêineres prontas para uso, o que
facilita a implementação de soluções e a configuração de ambientes de desenvolvimento e
produção. Além disso, ele oferece funcionalidades de controle de versão, colaboração e integração
com outras ferramentas de desenvolvimento e CI/CD.
No contexto de DataOps e MLOps, qual é um dos principais benefícios de utilizar o DockerHub para
gerenciar contêineres?
Qual das alternativas a seguir descreve corretamente o papel do GitHub Actions em um pipeline de
MLOps?