セクション2：チームでのデータとモデルの管理約16% · 3項目

Q1. Feature Store を使う利点として最も適切なものはどれか。

1. 特徴量を再利用し、学習と配信で同じ値を使える
2. モデルの学習の損失関数を、自動的に最適なものに書き換える
3. 学習のデータの PII を、自動的にすべて削除して匿名化する
4. ノートブックのコードを、自動的に本番のパイプラインに変換する

Q2. 表形式・テキスト・画像のデータを学習用に整理する方法として最も適切なものはどれか。

1. すべてのデータを、ノートブックのローカルのディスクにだけ保存する
2. テキストは印刷して保管し、学習の時に手作業で入力し直す
3. 表は BigQuery、画像や大きなファイルは Cloud Storage に置く
4. 画像は BigQuery の文字列の列に Base64 ですべて埋め込んで保存する

Q1. ノートブックの環境のセキュリティのベストプラクティスとして最も適切なものはどれか。

1. パブリックの IP を付け、誰でもアクセスできるようにして共同作業する
2. 最小権限のサービスアカウントを使い、VPC Service Controls や CMEK で保護する
3. サービスアカウントの鍵のファイルをノートブックに貼り付けて共有する
4. 全員が同じ管理者の権限のアカウントを共有してノートブックを使う

Q2. Workbench で PyTorch のモデルを開発するときの方法として最も適切なものはどれか。

1. PyTorch は使えないので、必ず BigQuery ML の SQL に書き直す
2. ノートブックでは学習できないので、紙の上で計算してから入力する
3. PyTorch のモデルは、必ず AutoML の画面から作らなければならない
4. PyTorch 入りのイメージを使い、必要なら GPU を割り当てる

Q1. LLM-as-a-judge を使う際の注意点として最も適切なものはどれか。

1. 評価者の LLM の偏りがありうるため、人の評価と照らして較正する
2. 評価者の LLM は常に人より正確なので、人の評価は一切不要である
3. 評価する LLM と評価される LLM は、必ず同じモデルにする
4. 評価の基準は示さず、評価者の LLM に自由に採点させるのがよい

Q2. 実験の環境として Agent Platform Pipelines を使う場面として最も適切なものはどれか。

1. モデルの出力を、人の担当者が 1 件ずつ採点したい
2. 1 行のコードを試すため、すぐに対話的に実行したい
3. 前処理から評価までを再現可能に実行したい
4. 共同でノートブックにコメントを書き込みたい